#Nbr_communes Évolution du nombre de communes en France depuis leur création

1 PRÉSENTATION DES DONNÉES ET CONTEXTUALISATION GÉNÉRALE

1.1 Packages nécessaires

# Librairies utilisées
library(sf)
library(cartography)
library(mapsf)
# library(corrplot)
# library(cowplot)
# library(MTA)
library(readxl)
library(ggplot2)
library(FactoMineR)
library(factoextra)
library(cluster)
library(reshape)
library(reshape2)
# library(flows)
# NB : Pour le package flows, la version la plus récente est disponible ici :
# remotes::install_github("rCarto/flows") ou # install.packages("mapsf")
# Pour obtenir une version plus ancienne (celle utilisée ici) : https://cran.r-project.org/src/contrib/Archive/flows/
# install.packages("packages/flows_1.1.1.tar.gz", repos=NULL, type="source")
# library(sp)
library(knitr)
# library(condformat) # https://cran.r-project.org/web/packages/condformat/vignettes/introduction.html
# library(units)
# library(stringr)
# library(dplyr)
# library(questionr)
# library(spdep) # Pour les matrices de contiguïté
library(rgeoda) # Pour les matrices de contiguïté
# library(rgdal) # Pour lire fichiers geodatabases

# Liste pour installer les packages si besoin :
# sf cartography mapsf readxl foreign dplyr flextable knitr stringr units condformat forcats ggplot2 rstatix questionr corrplot gtsummary broom GGally effects forestmodel ggeffects labelled cowplot spdep rgeoda

1.2 Import des couches géographiques consolidées

Les données utilisées sont une compilation de données principalement socio-économiques, localisées. La source principale est l’INSEE. Pour plus de détails, cf. le Markdown “Communes nouvelles : préparation des données”. NB : Ont été exclues des analyses l’Outre-mer et la Corse, espaces non concernés par les communes nouvelles.

Les géométries sont ici importées.

geom2011 <- st_read("data/geom.gpkg", layer = "geom2011", quiet = TRUE) 
geom_new <- st_read("data/geom.gpkg", layer = "geom_new", quiet = TRUE) 
geomfus2011 <- st_read("data/geom.gpkg", layer = "geomfus2011", quiet = TRUE) 
geomCN_new <- st_read("data/geom.gpkg", layer = "geomCN_new", quiet = TRUE)  
dep <- st_read("data/geom.gpkg", layer = "dep", quiet = TRUE)

# Pour faciliter la cortographie
# ShpDep <- as(dep, "Spatial")
ShpDep <- as_Spatial(dep) # Pose moins de problème

# Métadonnées
# Liste toutes les variables disponiles
# variables_dispo <- as.data.frame(read_excel("data-raw/meta.xlsx", sheet = "ind_target"))
# Liste les variables marquées dans le fichier meta_budgets.xlsx comme nous intéressant
# target <- subset(variables_dispo, variable_selec == "X")

1.3 Import des géométries des arrondissements

# Import des géométries des arrondissements
# Données transmises par Ludovic Chalonge (suite à une demande de Nicolas Verdier), le 30 août 2023.

# ## Ancienne version en utilisant le package rgdal
# The input file geodatabase
# fgdb <- "data-raw/arrdtv3.gdb"
# # List all feature classes in a file geodatabase
# subset(ogrDrivers(), grepl("GDB", name))
# fc_list <- ogrListLayers(fgdb)
# print(fc_list)
# date_choisie <- "1931"
# # Read the feature class
# arrondissements <- readOGR(dsn=fgdb,layer= paste0("aarrdt", date_choisie))
# projCodes <- make_EPSG() # Lister les différentes projections existant
# selecRgf <- projCodes[grep("RGF", projCodes$note), ] # Sélectionner certaines projections
# ShpDep2 <- spTransform(x = ShpDep, CRSobj = CRS("+init=epsg:2154")) # Transformer un objet dans la projection RGF

st_layers(dsn = "data-raw/arrdtv3.gdb")
date_choisie <- "1931"
arrondissements <- st_read("data-raw/arrdtv3.gdb", layer= paste0("aarrdt", date_choisie))
rm (date_choisie)


plot(arrondissements[1])

arrondissements <- st_transform(x = arrondissements, crs = st_crs(geom2011))

Les données socio-économiques qui décrivent les communes en géographies 2011 et 2021 sont ici importées. On commence par extraire les communes ayant participé à la création d’une commune nouvelle, appelées ici communes fusionnantes (datafus2011), les communes nouvelles, avec les géométries au 1er janvier 2021 et caractérisées par les données à la géométrie 2011 agrégées (dataCN_new), ainsi que les communes, à la géométrie 2011, qui n’ont pas participé à la création d’une commune nouvelle (dataNfus2011)

load("data/refdata.Rdata")
# datafus2011 <- subset(df2011, COM_NOUV == "OUI")
# dataCN_new <- subset(df_new, COM_NOUV == "OUI")
# dataNfus2011 <- subset(df2011, COM_NOUV == "NON") 

1.4 Jointure données / géométries

Dans un certain nombre de cas, il sera utile d’avoir, dans un même objet, les données et les géométries. Les données sont ici jointes aux couches géographiques d’intérêt.

geom2011 <- merge(geom2011, df2011, by = "CODGEO")
geom_new <- merge(geom_new, df_new, by = "CODGEO_new")
# geomCN_new <- merge(geomCN_new, dataCN_new, by = "CODGEO_new")
# geomfus2011 <- merge(geomfus2011, datafus2011, by = "CODGEO")

1.5 Définition de sous-ensembles pour les tests

Un certain nombre d’espaces peuvent être étudiés à part : certaines communes nouvelles car elles ont été l’objet d’une enquête qualitative (Bideau (2017), Bideau (2019)), d’autres car elles sont sur des territoires très touchés par les fusions communales. Ces sous-ensembles sont cartographiés dans la section 1.7.

testEdC <- subset (geom2011, CODGEO_new == "61324" | CODGEO_new =="73150" | CODGEO_new == "73006")
testEdCSavoie <- subset (geom2011, CODGEO_new =="73150" | CODGEO_new == "73006")
testNormandie <- subset (geom2011, REG == "23" | REG == "25") # Haute et Basse Normandie
test49 <- subset (geom2011, CODE_DEPT == "49" ) # Département du Maine-et-Loire
testOuest <- subset (geom2011, REG == "23" | REG == "25"| REG == "53"| REG == "52") # Normandies, Bretagne, Pays-de-la-Loire

1.6 Une base très riche : la base Cassini

Le site Cassini a été créé par l’EHESS, permet de retrouver des évolutions très nombreuses concernant les communes françaises.

Lien donné par Nicolas Verdier (juillet 2023) : https://didomena.ehess.fr/concern/data_sets/6395wb092?locale=fr (base en cours d’attribution d’un DOI, possiblement réalisation d’un data paper).

Concernant les codes utilisés dans les colonnes pop_xxxx_info (“xxxx” étant une date), voici les informations données par Bertrand Dumenieu à Nicolas Verdier, en sachant que c’est à se faire confirmer par Claude Motte.

• adm. : désigne une commune administrée. Lorsqu’une commune ne pouvait pas être auto-administée, par exemple car personne ne savait suffisamment bien écrire pour assurer les missions de maire, ou que la commune était trop minuscule, elle pouvait être rattachée à une voisine “tutelle” qui, alors, l’administrait. En général une commune administrée était rapidement fusionnée à celle qui les administrait ;

• ill. : la ligne du recensement est illisible ;

• lac. : la commune existe à la date du recensement mais elles est absente du document pour une raison inconnue ;

• pop. : ce marqueur indique qu’il y a une valeur de population connue et reportée à cette date ;

• si. : “sans information”. Cela couvre deux situations : soit la commune n’existe pas à cette date, soit on ne dispose d’aucune information permettant de dire qu’elle existe.

Donc, adm., ill., lac. et pop. concernent des communes qui existent. On considérer qu’une commune marquée “si” n’existe pas à la date correspondante.

1.6.1 Import et nettoyage des données

# download.file("https://didomena.ehess.fr/downloads/kd17cw827?locale=fr", "data-raw/temps_long/lieux_cassini_devenus_communes.csv")
# Téléchargement effectué le 6 mars 2023

cassini <- read.csv("data-raw/temps_long/lieux_cassini_devenus_communes.csv",
                            sep=",", colClasses = "character", head = TRUE, stringsAsFactors = TRUE, fill = TRUE)


# Pour simplifier la suite, on remplace dans la base Cassini les mentions "an3" et "an8" par "1795" et "1800".
# Syntaxe qui nécessite de vérifier que c'est la bonne colonne qu'on modifie :
# colnames(cassini)[30]
colnames(cassini)[30] <- "district_1795"
# colnames(cassini)[31]
colnames(cassini)[31] <- "departement_1795"
# colnames(cassini)[35]
colnames(cassini)[35] <- "pop_1795_info"
# colnames(cassini)[36]
colnames(cassini)[36] <- "pop_1795_val"
# colnames(cassini)[37]
colnames(cassini)[37] <- "pop_1800_info"
# colnames(cassini)[38]
colnames(cassini)[38] <- "pop_1800_val"

# Tentative de liaison entre la base cassini et la base DAC
load("Archives/data_prep 2011-2021(01)/data/refdata.Rdata")

cassini <- merge(cassini, df_new[, c("CODGEO_new", "NbrComFus")], by.x = "commune_mars_2021", by.y = "CODGEO_new")
# Attention, dans la base Cassini, les communes_mars_2021 sont présentes plusieurs fois

# La variable "departement_1999" permet de localiser l'ensemble des communes. Ce qui permet d'isoler certaines parties du territoire
# table(is.na(cassini$commune_mars_2021))

# Pour la commune de Vornay (Cher), la base indique "s" comme département. On remplace par "18".
# cassini$nom_1999[which(cassini$departement_1999 == "s")]
cassini$departement_1999[which(cassini$departement_1999 == "s")] <- 18
# On corrige simplement les départements avec un seul chiffre (1, 2, 3 etc) pour homogénéiser (transformés en 01, 02, 03 etc)
cassini$departement_1999 <- stringr::str_pad(cassini$departement_1999, 2, pad = "0")
print ("Les départements 1999 représentés dans la base Cassini")

## [1] "Les départements 1999 représentés dans la base Cassini"

table(cassini$departement_1999)

## 
##   01   02   03   04   05   06   07   08   09   10   11   12   13   14   15   16 
##  510  911  441  269  201  166  386  559  477  504  506  678  126  929  290  459 
##   17   18   19   21   22   23   24   25   26   27   28   29   30   31   32   33 
##  544  330  339  759  401  408  721  703  419  872  473  310  398  671  697  613 
##   34   35   36   37   38   39   40   41   42   43   44   45   46   47   48   49 
##  389  375  297  325  618  765  393  332  368  304  231  372  472  448  206  428 
##   50   51   52   53   54   55   56   57   58   59   60   61   62   63   64   65 
##  695  723  559  294  679  605  268  994  403  705  769  634 1022  502  683  517 
##   66   67   68   69   70   71   72   73   74   75   76   77   78   79   80   81 
##  279  593  400  318  678  643  421  344  337   15 1001  593  278  373 1017  397 
##   82   83   84   85   86   87   88   89   90   91   92   93   94   95 
##  272  163  168  336  356  253  569  498  108  210   36   40   49  199

# Dans certains enregistrements, il y a la mention "lac" alors que normalement c'est "lac.". On procède donc au remplacement
table(cassini$pop_1820_info) # Par exemple

## 
##  adm.  ill.   lac  lac.   pop    si 
##   388    37     8    32 38653  4271

cassini[cassini == "lac"] <- "lac."

# Possible de retirer certains départements
# cassini_reduite <- subset(cassini, departement_1999 != "2A" & departement_1999 != "2B" & departement_1999 != "73" & departement_1999 != "74")
# table(cassini_reduite$departement_1999)

1.7 Jointure base Cassini avec géométries communales

# Tranformation du data.frame cassini en objet spatial grâce au champs "position_cassini"
cassini_pos <- st_sf(
  cassini,
  geometry = st_as_sfc(cassini$position_cassini),
  crs = "EPSG:2154"
)

# Changement de la projection pour correspondre à celle des communes
cassini_pos <- st_transform(x = cassini_pos, crs = st_crs(geom2011))

# Jointure spatiale 
# Nous voulons obtenir les informations du polygones dans lequel se trouve chaque point de la géométrie cassini_pos
cassini_pos <- st_join(x = cassini_pos, y = geom2011[, "CODGEO"], join = st_intersects)
# Les dernières colonnes de cassini sont les variables (1 seule ici, CODGEO) de la table des polygones
head(cassini_pos[, c(1:4, ncol(cassini_pos)-1)])

## Simple feature collection with 6 features and 5 fields
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: 3926010 ymin: 2549664 xmax: 3966608 ymax: 2573801
## Projected CRS: ETRS89-extended / LAEA Europe
##   commune_mars_2021   gid noacass featuretype CODGEO                geometry
## 1             01001 25046   60010     clocher  01001 POINT (3928662 2570876)
## 2             01001 25045      40     clocher  01001 POINT (3928602 2573801)
## 3             01002 25047   18174     clocher  01002 POINT (3966608 2554822)
## 4             01004 25048     592       bourg  01004 POINT (3961238 2549664)
## 5             01004 25049   60001      hameau  01004 POINT (3964688 2550963)
## 6             01005 25050     591     clocher  01005 POINT (3926010 2555996)

# On renome la colonne CODGEO pour davantage de clarté
colnames(cassini_pos)[ncol(cassini_pos)-1]

## [1] "CODGEO"

colnames(cassini_pos)[ncol(cassini_pos)-1] <- "CODGEO_2011"


# Problème : il y a plusieurs communes dont on ne repère pas la position ainsi
cassini_prbl_pos <- subset (cassini_pos, is.na(cassini_pos$CODGEO))
# On observe par départements
table(cassini_prbl_pos$departement_1999)

## 
## 08 13 17 22 25 29 33 34 44 50 56 57 59 64 66 68 74 80 83 85 
##  5  6  9  2  2  6  1  1  3  1  3 14  4  1  2  1  3  2  6  2

# Et cartographiquement
plot(cassini_prbl_pos$geometry)

nrow(cassini_prbl_pos)

## [1] 74

# La très grande majorité de ces communes sont sur les frontières françaises, mais elles ne sont que 74.
# Dans le cas où une part sont liées à des questions sur la Corse
# nrow (subset(cassini_prbl_pos, cassini_prbl_pos$departement_1999 != "2A" & cassini_prbl_pos$departement_1999 != "2B"))


rm(cassini_prbl_pos)

1.8 Aperçu des “si” dans la base Cassini

# NB : Sans doute y a-t-il moyen de faire beaucoup plus simple sans boucle, mais pas trouvé là
i <- 1
cassini$nbr_si <- NA

# Pour chaque ligne, on compte le nombre de "si" et on le met dans la colonne "nbr_si"
for (i in 1:nrow(cassini)) {
  ligne <- as.vector(cassini[i,])
  cassini[i, "nbr_si"] <- sum(ligne == "si")
}

test  <- subset(cassini, cassini$nbr_si == 1)
write.csv(test, "sorties/cassini_si_une_fois.csv", row.names=FALSE)

test  <- subset(cassini, cassini$nbr_si < 6 & cassini$nbr_si > 0)
write.csv(test, "sorties/cassini_si_une_a_cinq_fois.csv", row.names=FALSE)

1.9 Ajout des données de population 2011 et récentes [Jachère]

# On joint les données de population à la géométrie 2011
cassini_test <- merge (cassini_pos, df2011[, c("CODGEO", "P09_POP")], by.x = "CODGEO_2011", by.y = "CODGEO")
# On renome pour plus de clarté
colnames(cassini_test)[ncol(cassini_test)-1]
colnames(cassini_test)[ncol(cassini_test)-1] <- "pop_2011_val"
# N'EST PAS ADAPTÉ PUISQUE LES POPULATIONS SONT PRÉSENTES POUR TOUTES LES COMMUNES ET PAS SEULEMENT POUR CELLES QUI SONT ENCORE ACTIVES

1.10 Jointure Cassini - Arrondissements [Jachère]

Laissé de côté pour l’instant.

# Jointure spatiale 
# Nous voulons obtenir les informations du polygones dans lequel se trouve chaque point de la géométrie cassini_pos
cassini_pos <- st_join(x = cassini_pos, y = arrondissements[, 1], join = st_intersects)

# Les dernières colonnes de cassini sont les variables (1 seule ici, CODGEO) de la table des polygones
head(cassini_pos[, c(1:4, ncol(cassini_pos)-1)])

# On renome la colonne CODGEO pour davantage de clarté
# colnames(cassini_pos)[ncol(cassini_pos)-1]
# colnames(cassini_pos)[ncol(cassini_pos)-1] <- "nom_arrond"

2 ÉVOLUTION GÉNÉRALE

Il y a peu de bases de données présentant l’évolution du nombre de communes depuis leur création lors de la Révolution française. En général, la question du changement de périmètre (perte ou acquisition de territoires, les territoires d’outre-rhin, Nice et la Savoie, Alsace-Moselle etc) n’est pas évoquée.

2.1 Évolution sommaire

# 1793-1999
# Source : http://cassini.ehess.fr/fr/html/8_glossaire.php?d=BDCarto à la définition du nom "commune"
annees <- c(1793, 1800, 1806, 1876, 1936, 1968, 1975, 1999)
nbr_com <- c(40431, 40345, 40210, 37745, 38014, 37708, 36296, 36565)
# 1876  y compris l’Alsace-Lorraine
graph <- data.frame(annees, nbr_com)

# ajout données 2023 pour voir (sources INSEE, France métropolitaine + oute-mer)
graph[nrow(graph)+1, ] <- c(1982, 36433)
graph[nrow(graph)+1, ] <- c(2012,   36571)
graph[nrow(graph)+1, ] <- c(2023, 34945)


# plot(annees, nbr_com)

ggplot(data=graph, aes(x=annees, y=nbr_com)) +
  geom_line() +
  labs(title="Évolution du nombre de communes en France", subtitle="1793-2023", x="", y = "", caption="Source : cassini.ehess.fr")

ggplot(data=graph, aes(x=annees, y=nbr_com)) +
  geom_line() +
  ylim(0, 41000) +
  labs(title="Évolution du nombre de communes en France", subtitle="1793-2023", x="", y = "", caption="Source : cassini.ehess.fr")

rm (annees)

2.2 Exploration graphique de la base Cassini

Proposition d’une exploitation pour avoir quelques graphiques un peu propres.

# On peut aussi utiliser la colonne "intendances_types"
print ("Les types d'intendances représentés dans la base Cassini")

## [1] "Les types d'intendances représentés dans la base Cassini"

table(cassini$intendances_types)

## 
##                                               
##                                             2 
##                                    intendance 
##                                         41322 
##                         intendance,intendance 
##                                           962 
##              intendance,intendance,intendance 
##                                            21 
##             intendance,souveraineté étrangère 
##                                            16 
##                        souveraineté étrangère 
##                                          1025 
##             souveraineté étrangère,intendance 
##                                            26 
## souveraineté partagée ou contestée,intendance 
##                                            15

# On décide d'enlever les territoires qui, au départ, étaient au moins en partie sous souveraineté étrangère
cassini_reduite <- subset(cassini, intendances_types != "intendance,souveraineté étrangère" & intendances_types != "souveraineté étrangère" & intendances_types != "souveraineté étrangère,intendance" & intendances_types != "souveraineté partagée ou contestée,intendance")
# On enlève également les territoires perdus en 1870 (Alsace, Moselle)
cassini_reduite <- subset(cassini_reduite, departement_1999 != "57" & departement_1999 != "67" & departement_1999 != "68")
# table(cassini_reduite$departement_1999)

# Test pour ne sélectionner que l'Alsace-Moselle
# cassini_reduite <- subset(cassini, departement_1999 == "57" | departement_1999 == "67" | departement_1999 == "68")



# En l'absence de méta-données détaillées, on choisit de ne s'intéresser qu'aux communes dont la population est renseignée ou simplement lacunaire (devrait être renseignée). On postule que les autres indications désignent des communes n'existant pas à l'époque.
print ("Les types d'informations renseignées pour le recensement de l'an 3 (1794-1795)")

## [1] "Les types d'informations renseignées pour le recensement de l'an 3 (1794-1795)"

table (cassini_reduite$pop_1795_info)

## 
##  abs.  adm.  lac.   pop    si 
##   215    31   136 36917  3102

# On cherche les noms des colonnes qui contiennent le motif "_info"
labels_data_pop <- colnames(cassini[grep(pattern = "_info", colnames(cassini), ignore.case = FALSE)])
label <- labels_data_pop [2] # Si besoin pour tests

evol_nbr_com <- data.frame() # Création d'un objet pour récupérer les résultats totaux
evol_nbr_com_reduit <- data.frame() # Création d'un objet pour récupérer les résultats de la base réduite

# Boucle pour exploiter les données date par date
for (label in labels_data_pop) {
  annee <- substr(label, start =5, stop = nchar(label)-5) # On repère le n° de l'année en segmentant le label
  sous_tableau <- subset(cassini, cassini[, label] == "pop" | cassini[, label] == "lac." | cassini_reduite[, label] == "abs." | cassini[, label] == "ill.") # On crée un sous-tableau comptant uniquement les communes dont la population nous intéresse, à l'année donnée
  # sous_tableau <- subset(cassini, cassini[, label] == "pop") # Juste avec les populations connues
  nbr_com <- nrow(sous_tableau) # On compte le nombre de communes
  
  sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop" | cassini_reduite[, label] == "lac." | cassini_reduite[, label] == "abs." | cassini[, label] == "ill.") # On crée un sous-tableau comptant uniquement les communes dont la population nous intéresse, à l'année donnée
  # sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop") # Juste avec les populations connues
  nbr_com_reduit <- nrow(sous_tableau_reduit) # On compte le nombre de communes
  
  i <- c(annee, nbr_com) # On compile les résultats totaux
  i_reduit <- c(annee, nbr_com_reduit) # On compile les résultats totaux
  evol_nbr_com <- rbind(evol_nbr_com, i, stringsAsFactors = FALSE)
  evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_reduit, stringsAsFactors = FALSE)
}

# On traite à la main les deux années 2011 et 2021
# Pour 2011, on fait la liste des CODGEO unique de 2021 et on multiplie par leur nombre de communes fusionnantes (donne le nombre de communes en 2011) 
# Pas très propre mais pas l'énergie de faire mieux là...
CODGEO_2021 <- as.data.frame(unique(cassini$commune_mars_2021))
colnames(CODGEO_2021) <- "CODGEO_new"
CODGEO_2021_reduit <- as.data.frame(unique(cassini_reduite$commune_mars_2021))
colnames(CODGEO_2021_reduit) <- "CODGEO_new"
# On joint pour avoir le nombre de communes fusionnantes
CODGEO_2021 <- merge(df_new[c("CODGEO_new", "NbrComFus")], CODGEO_2021, by = "CODGEO_new", all.y = TRUE)
CODGEO_2021_reduit <- merge(df_new[c("CODGEO_new", "NbrComFus")], CODGEO_2021_reduit, by = "CODGEO_new", all.y = TRUE)
# Pour les communes non fusionnantes, on indique qu'il y en a une
CODGEO_2021$NbrComFus[is.na(CODGEO_2021$NbrComFus)] <- 1
CODGEO_2021_reduit$NbrComFus[is.na(CODGEO_2021_reduit$NbrComFus)] <- 1

i_2011 <- c(2011, sum(CODGEO_2021$NbrComFus))
i_2011_reduit <- c(2011, sum(CODGEO_2021_reduit$NbrComFus))
evol_nbr_com <- rbind(evol_nbr_com, i_2011)
evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2011_reduit)


# Pour 2021, on liste simplement le nombre de CODGEO uniques de 2021 pour chacun des groupe
i_2021 <- c(2021, length(unique(cassini$commune_mars_2021)))
i_2021_reduit <- c(2021, length(unique(cassini_reduite$commune_mars_2021)))

evol_nbr_com <- rbind(evol_nbr_com, i_2021)
evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2021_reduit)

colnames (evol_nbr_com) <- c("annees", "nbr_com")
colnames (evol_nbr_com_reduit) <- c("annees", "nbr_com")
evol_nbr_com$base <- "tout"
evol_nbr_com_reduit$base <- "tjr_fr"

evol_nbr_com <- rbind(evol_nbr_com, evol_nbr_com_reduit)

# evol_nbr_com[c(1,2), 1] <- c(1795, 1800) # On modifie l'intitulé pour faciliter la représentation graphique
evol_nbr_com$annees[evol_nbr_com$annees == "an3"] <- 1795
evol_nbr_com$annees[evol_nbr_com$annees == "an8"] <- 1800

evol_nbr_com[,1] <- as.numeric(evol_nbr_com[,1]) # On passe en numérique pour faciliter la représentation
evol_nbr_com[,2] <- as.numeric(evol_nbr_com[,2]) # Si on veut faire une seule colonne



ggplot(data=evol_nbr_com, aes(x=annees, y=nbr_com, group=base)) +
  geom_line(aes(group = base, linetype = base)) +
  scale_linetype(name = "Périmètre", labels = c("Territoires toujours français", "Toute base Cassini")) +
  scale_x_continuous (breaks = seq(1780, 2030, 20)) +
  labs(title="Évolution du nombre de communes", subtitle="1795-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")

ggplot(data=evol_nbr_com, aes(x=annees, y=nbr_com, group=base)) +
  geom_line(aes(group = base, linetype = base)) +
  scale_linetype(name = "Périmètre", labels = c("Territoires toujours français", "Toute base Cassini")) +
  ylim(0, 41000) +
  labs(title="Évolution du nombre de communes", subtitle="1795-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")

rm(label, annee, sous_tableau, nbr_com, i, nbr_com_reduit, sous_tableau_reduit, i_reduit, i_2021, i_2021_reduit, CODGEO_2021, CODGEO_2021_reduit, i_2011, i_2011_reduit)

2.3 Se concentrer sur les données les plus fiables

La base Cassini est très riche, mais elle reste tributaire des sources, parfois peu fiables. Ainsi, les données indiquées comme “An 3” (1794-1795) peuvent être considérées comme peu fiables. Nous les retirons donc de l’analyse.

cassini <- subset(cassini, select= -c(pop_1795_info, pop_1795_val))
labels_data_pop <- colnames(cassini[grep(pattern = "_info", colnames(cassini), ignore.case = FALSE)])

3 CARTOGRAPHIE COMMUNES APPARAISSANT/DISPARAISSANT

num <- 5

# On s'intéresse à un recensement, qui n'est pas le premier car il va falloir regarder le recensement précédent également
# On repère ce recensement par sa place dans la liste des recensements
for (num in 2:length(labels_data_pop)) {
  annee <- substr(labels_data_pop[num], start =5, stop = nchar(labels_data_pop[num])-5) # On repère le n° de l'année en segmentant le label
  annee_preced <- substr(labels_data_pop[num-1], start =5, stop = nchar(labels_data_pop[num-1])-5) # On repère le n° de l'année en segmentant le label
  
  sous_tableau <- cassini_pos[, c("nom_1999", "commune_mars_2021", labels_data_pop[c(num-1, num)])]
  colnames(sous_tableau) <- c("nom_1999", "commune_mars_2021", "pop_situation_avant", "pop_date_ref", "geometry") # On renomme les colonnes
  # On copie les données dans des colonnes destinées à être modifiées. Pas nécessaire de les créer ainsi mais permet de clarifier la démarche
  sous_tableau$situation_avant <- sous_tableau$pop_situation_avant
  sous_tableau$date_ref <- sous_tableau$pop_date_ref
  
  # On indique si la commune existe ou non à la date de référence     VÉRIFIER QUE CELA EST COHÉRENT AVEC LA SIGNIFICATION DES CODES
  sous_tableau$date_ref[sous_tableau$date_ref == "pop" 
                        | sous_tableau$date_ref == "lac." 
                        | sous_tableau$date_ref == "abs." 
                        | sous_tableau$date_ref == "adm."
                        | sous_tableau$date_ref == "ill."
                        ] <- "Existante"
  sous_tableau$date_ref[sous_tableau$date_ref != "Existante"] <- "Inexistante"
  # table(sous_tableau$date_ref)
  
  # On indique si la commune existe ou non à la date précédente
  sous_tableau$situation_avant[sous_tableau$situation_avant == "pop" 
                               | sous_tableau$situation_avant == "lac." 
                               | sous_tableau$situation_avant == "abs."
                               | sous_tableau$situation_avant == "adm."
                               | sous_tableau$situation_avant == "ill."
                               ] <- "Existante"
  sous_tableau$situation_avant[sous_tableau$situation_avant != "Existante"] <- "Inexistante"
  # table(sous_tableau$situation_avant)
  
  sous_tableau$evol_situation[sous_tableau$situation_avant == "Existante" & sous_tableau$date_ref == "Existante"] <- "Perdure"
  sous_tableau$evol_situation[sous_tableau$situation_avant == "Existante" & sous_tableau$date_ref == "Inexistante"] <- "Disparition"
  sous_tableau$evol_situation[sous_tableau$situation_avant == "Inexistante" & sous_tableau$date_ref == "Existante"] <- "Apparition"
  sous_tableau$evol_situation[sous_tableau$situation_avant == "Inexistante" & sous_tableau$date_ref == "Inexistante"] <- "Inexistante"
  table(sous_tableau$evol_situation)

  # On indique, pour chaque modalité, le nombre de communes concernées
  noms_modalites <- c(paste0("Apparition (", sum(sous_tableau$evol_situation == "Apparition"),")"), paste0("Disparition (", sum(sous_tableau$evol_situation == "Disparition"),")"))
  sous_tableau$pr_carto[sous_tableau$evol_situation == "Apparition"] <- noms_modalites[1]
  sous_tableau$pr_carto[sous_tableau$evol_situation == "Disparition"] <- noms_modalites[2]
  table(sous_tableau$pr_carto)
  
  
plot(ShpDep, col = "grey", border = "white", axes = FALSE) # Fond de carte
  # Carte choroplèthe en fonction de la superficie moyenne des communes dans le département
  
  typoLayer(sous_tableau, var = "pr_carto",
            colNA = NA, legend.nodata = "Autres communes :\nstables",
            add=TRUE,
            legend.values.order = noms_modalites,
            col = c("red", "blue"),
            legend.pos = "topleft", 
            legend.title.txt = "Situation des communes\nconnaissant un changement"
            )
  
    layoutLayer(title = paste0("Les communes connaissant un changement entre ", annee_preced, " et ", annee), coltitle = "black",
              sources = "Sources : INSEE, IGN, Cassini.", scale = NULL,
              author = "G. Bideau", frame ="", col = NA)
    

  
}

# Situation de la Côte d’Or très particulière, qui interroge beaucoup. Donc quelques tests à part pour voir ce que ça donne.
test <- subset (cassini, cassini$departement_1795 == "Côte d'Or")

table(test$pop_1820_info)
table(test$pop_1831_info)
table(test$pop_1836_info)
# Bilan : *a priori*, le fait que ce départemente ressorte beaucoup est bien lié aux données de la base, pas à une erreur de manipulation.

4 ÉTUDE PAR DÉPARTEMENTS

4.1 Réalisation d’un graphique par département

4.1.1 Graphique chaque département

liste_dep <- sort(unique (cassini$departement_1999))

num_dep <- 21

# Création d'un tableau pour accueillir les données de l'ensemble des départements
evol_deps <- data.frame()

for (num_dep in liste_dep) {
  
cassini_reduite <- subset(cassini, departement_1999 == num_dep)
nom_dep <- dep$LIBELLE[dep$CODE_DEPT == num_dep]


evol_nbr_com_reduit <- data.frame() # Création d'un objet pour récupérer les résultats de la base réduite

# label <- labels_data_pop[2]

# Boucle pour exploiter les données date par date
for (label in labels_data_pop) {
  annee <- substr(label, start =5, stop = nchar(label)-5) # On repère le n° de l'année en segmentant le label
  sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop" | cassini_reduite[, label] == "lac." | cassini_reduite[, label] == "abs.") # On crée un sous-tableau comptant uniquement les communes dont la population nous intéresse, à l'année donnée
  # sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop") # Juste avec les populations connues
  nbr_com_reduit <- nrow(sous_tableau_reduit) # On compte le nombre de communes
  pop_annee_dep <- sum(as.numeric(sous_tableau_reduit[, paste0("pop_", annee, "_val")]), na.rm=TRUE)
  i_reduit <- c(annee, nbr_com_reduit, pop_annee_dep) # On compile les résultats totaux
  evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_reduit, stringsAsFactors = FALSE)
}

# On traite à la main les deux années 2011 et 2021
# Pour 2011, on fait la liste des CODGEO unique de 2021 et on multiplie par leur nombre de communes fusionnantes (donne le nombre de communes en 2011) 
# Pas très propre mais pas l'énergie de faire mieux là...
CODGEO_2021_reduit <- as.data.frame(unique(cassini_reduite$commune_mars_2021))
colnames(CODGEO_2021_reduit) <- "CODGEO_new"
# On joint pour avoir le nombre de communes fusionnantes
CODGEO_2021_reduit <- merge(df_new[c("CODGEO_new", "NbrComFus", "P09_POP")], CODGEO_2021_reduit, by = "CODGEO_new", all.y = TRUE)
# Pour les communes non fusionnantes, on indique qu'il y en a une
CODGEO_2021_reduit$NbrComFus[is.na(CODGEO_2021_reduit$NbrComFus)] <- 1

i_2011_reduit <- c(2011, sum(CODGEO_2021_reduit$NbrComFus), sum(CODGEO_2021_reduit$P09_POP))
evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2011_reduit)


# Pour 2021, on liste simplement le nombre de CODGEO uniques de 2021 pour chacun des groupe
i_2021_reduit <- c(2021, length(unique(cassini_reduite$commune_mars_2021)), NA)

evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2021_reduit)

colnames (evol_nbr_com_reduit) <- c("annees", "nbr_com", "population")

evol_nbr_com <- evol_nbr_com_reduit

# evol_nbr_com[c(1,2), 1] <- c(1795, 1800) # On modifie l'intitulé pour faciliter la représentation graphique
# Est désormais fait plus haut
# evol_nbr_com$annees[evol_nbr_com$annees == "an3"] <- 1795 
# evol_nbr_com$annees[evol_nbr_com$annees == "an8"] <- 1800

evol_nbr_com[,1] <- as.numeric(evol_nbr_com[,1]) # On passe en numérique pour faciliter la représentation
evol_nbr_com[,2] <- as.numeric(evol_nbr_com[,2]) # Si on veut faire une seule colonne
evol_nbr_com[,3] <- as.numeric(evol_nbr_com[,3]) # Si on veut faire une seule colonne


# Calcul de l'évolution en valeur absolue du nombre de commune dans le département
evol_nbr_com$evol <- evol_nbr_com$nbr_com - lag(evol_nbr_com$nbr_com)

# Calcul du taux d'évolution
evol_nbr_com$tx_evol <- round(100 * (evol_nbr_com$nbr_com - lag(evol_nbr_com$nbr_com)) / lag(evol_nbr_com$nbr_com), 2)

# On compile les résultats du département en question
departement <- c(nom_dep, num_dep, evol_nbr_com$nbr_com, evol_nbr_com$population, evol_nbr_com$evol, evol_nbr_com$tx_evol)
# On ajoute ces résultats dans le tableau global
evol_deps <- rbind (evol_deps, departement, stringsAsFactors = FALSE)

# ggplot(data=evol_nbr_com, aes(x=annees, y=nbr_com)) +
#   geom_line() +
#   scale_x_continuous (breaks = seq(1780, 2030, 20)) +
#   labs(title="Évolution du nombre de communes en Aveyron", subtitle="1795-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")

graphique <- ggplot(data=evol_nbr_com, aes(x=annees, y=nbr_com)) +
  geom_line() +
  ylim(0, max(evol_nbr_com$nbr_com)+50) +
  scale_x_continuous (breaks = seq(1780, 2030, 20)) +
  labs(title= paste0("Évolution du nombre de communes en ", nom_dep, " (", num_dep, ")"), subtitle="1795-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")

print(graphique)

# Pour avoir un graphique plus complet, on change la forme des données
pr_graph <- melt(evol_nbr_com, id.vars = "annees")
  

ggplot(data=pr_graph, aes(x=annees, y = value)) +
  geom_line(aes(color = variable, linetype = variable)) +
  # ylim(min(evol_nbr_com$evol), max(evol_nbr_com$nbr_com)+50) +
  scale_x_continuous (breaks = seq(1780, 2030, 20)) + 
  scale_linetype(name = "Évolution", labels = c("Nombre de communes", "Différence entre recensements", "Taux d'évolution entre recensements")) +
  scale_color_discrete(name = "Évolution", labels = c("Nombre de communes", "Différence entre recensements", "Taux d'évolution entre recensements")) +
  labs(title= paste0("Communes par départements : ", nom_dep, " (", num_dep, ")"), subtitle="1795-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")

rm(label, annee, nbr_com_reduit, sous_tableau_reduit, i_reduit, i_2021_reduit, CODGEO_2021_reduit, i_2011_reduit, graphique)

}

# Création d'une colonne identifiant les deux recensements en jeu dans les évolutions
evol_nbr_com$ident_evol <- paste0("evol_", lag(evol_nbr_com$annees), "_", evol_nbr_com$annees)

# On identifie les colonnes du tableau regroupant les données de tous les départements
colnames(evol_deps) <- c("Département", "CODE_DEPT", evol_nbr_com$annees, paste0("pop_", evol_nbr_com$annees), evol_nbr_com$ident_evol, paste0("tx_", evol_nbr_com$ident_evol))

# print (evol_deps)
evol_deps_affichage <- evol_deps
colnames(evol_deps_affichage) <- c("Département", "N° Département", evol_nbr_com$annees, paste0("pop_", evol_nbr_com$annees), evol_nbr_com$ident_evol, paste0("tx_", evol_nbr_com$ident_evol))

nbr_col <- length(labels_data_pop) + 2

kable(evol_deps_affichage, row.names = F, digits = 2, align = "c",
      caption = "Évolution des communes par départements (à la géographie 1999)") %>%
  kableExtra::add_header_above(c(" " = 2, "Nombre de communes" = nbr_col, "Population" = nbr_col, "Évolution en valeur absolue" = nbr_col, "Taux d'évolution entre chaque recensement" = nbr_col))

Évolution des communes par départements (à la géographie 1999)

		Nombre de communes																																		Population																																		Évolution en valeur absolue																																		Taux d’évolution entre chaque recensement
Département	N° Département	1800	1806	1820	1831	1836	1841	1846	1851	1856	1861	1866	1872	1876	1881	1886	1891	1896	1901	1906	1911	1921	1926	1931	1936	1946	1954	1962	1968	1975	1982	1990	1999	2011	2021	pop_1800	pop_1806	pop_1820	pop_1831	pop_1836	pop_1841	pop_1846	pop_1851	pop_1856	pop_1861	pop_1866	pop_1872	pop_1876	pop_1881	pop_1886	pop_1891	pop_1896	pop_1901	pop_1906	pop_1911	pop_1921	pop_1926	pop_1931	pop_1936	pop_1946	pop_1954	pop_1962	pop_1968	pop_1975	pop_1982	pop_1990	pop_1999	pop_2011	pop_2021	evol_NA_1800	evol_1800_1806	evol_1806_1820	evol_1820_1831	evol_1831_1836	evol_1836_1841	evol_1841_1846	evol_1846_1851	evol_1851_1856	evol_1856_1861	evol_1861_1866	evol_1866_1872	evol_1872_1876	evol_1876_1881	evol_1881_1886	evol_1886_1891	evol_1891_1896	evol_1896_1901	evol_1901_1906	evol_1906_1911	evol_1911_1921	evol_1921_1926	evol_1926_1931	evol_1931_1936	evol_1936_1946	evol_1946_1954	evol_1954_1962	evol_1962_1968	evol_1968_1975	evol_1975_1982	evol_1982_1990	evol_1990_1999	evol_1999_2011	evol_2011_2021	tx_evol_NA_1800	tx_evol_1800_1806	tx_evol_1806_1820	tx_evol_1820_1831	tx_evol_1831_1836	tx_evol_1836_1841	tx_evol_1841_1846	tx_evol_1846_1851	tx_evol_1851_1856	tx_evol_1856_1861	tx_evol_1861_1866	tx_evol_1866_1872	tx_evol_1872_1876	tx_evol_1876_1881	tx_evol_1881_1886	tx_evol_1886_1891	tx_evol_1891_1896	tx_evol_1896_1901	tx_evol_1901_1906	tx_evol_1906_1911	tx_evol_1911_1921	tx_evol_1921_1926	tx_evol_1926_1931	tx_evol_1931_1936	tx_evol_1936_1946	tx_evol_1946_1954	tx_evol_1954_1962	tx_evol_1962_1968	tx_evol_1968_1975	tx_evol_1975_1982	tx_evol_1982_1990	tx_evol_1990_1999	tx_evol_1999_2011	tx_evol_2011_2021
Ain	01	433	435	433	435	437	436	440	440	441	444	444	447	447	447	447	447	447	449	449	450	450	450	450	450	449	449	449	443	419	419	419	419	421	395	299013	319495	325294	341792	342224	351655	360092	368718	360474	359154	360949	351004	357621	356260	356472	350157	344870	342533	338082	334649	308736	309015	311983	304486	298162	300970	314464	339262	376477	418516	471019	515270	592656	NA	NA	2	-2	2	2	-1	4	0	1	3	0	3	0	0	0	0	0	2	0	1	0	0	0	0	-1	0	0	-6	-24	0	0	0	2	-26	NA	0.46	-0.46	0.46	0.46	-0.23	0.92	0	0.23	0.68	0	0.68	0	0	0	0	0	0.45	0	0.22	0	0	0	0	-0.22	0	0	-1.34	-5.42	0	0	0	0.48	-6.18
Aisne	02	853	853	850	837	839	839	837	836	836	835	836	836	836	837	839	839	840	840	840	840	838	833	833	833	833	833	832	830	819	817	817	816	817	801	425728	442633	459305	512772	526931	541727	556998	558887	545659	560821	564278	552032	559340	556376	555541	545039	541169	535169	534106	529881	421040	488723	489081	484378	453169	486808	512645	526080	533862	533970	537259	535842	541285	NA	NA	0	-3	-13	2	0	-2	-1	0	-1	1	0	0	1	2	0	1	0	0	0	-2	-5	0	0	0	0	-1	-2	-11	-2	0	-1	1	-16	NA	0	-0.35	-1.53	0.24	0	-0.24	-0.12	0	-0.12	0.12	0	0	0.12	0.24	0	0.12	0	0	0	-0.24	-0.6	0	0	0	0	-0.12	-0.24	-1.33	-0.24	0	-0.12	0.12	-1.96
Allier	03	347	345	338	328	322	316	316	317	317	317	317	317	317	321	321	321	321	321	321	321	321	321	321	321	321	321	321	321	320	320	320	320	321	318	248864	260266	276582	298750	309270	311361	329540	336758	352241	356432	376164	390812	405783	416759	424582	424382	424378	422024	417961	406291	370950	370562	373924	368778	373481	372689	380221	386533	378406	369580	357710	344721	343780	NA	NA	-2	-7	-10	-6	-6	0	1	0	0	0	0	0	4	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	0	0	0	1	-3	NA	-0.58	-2.03	-2.96	-1.83	-1.86	0	0.32	0	0	0	0	0	1.26	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.31	0	0	0	0.31	-0.93
Alpes-de-Haute-Provence	04	261	260	258	257	257	256	255	255	254	251	251	251	251	251	251	250	250	250	250	248	248	247	247	245	243	243	238	237	199	200	200	200	200	198	119048	145912	149310	155596	159053	156155	156677	152087	149670	146368	143000	139332	136166	131899	129494	124285	118142	115021	113126	107231	91882	88347	87893	85090	83354	84335	91843	104813	112178	119068	130883	139561	159450	NA	NA	-1	-2	-1	0	-1	-1	0	-1	-3	0	0	0	0	0	-1	0	0	0	-2	0	-1	0	-2	-2	0	-5	-1	-38	1	0	0	0	-2	NA	-0.38	-0.77	-0.39	0	-0.39	-0.39	0	-0.39	-1.18	0	0	0	0	0	-0.4	0	0	0	-0.8	0	-0.4	0	-0.81	-0.82	0	-2.06	-0.42	-16.03	0.5	0	0	0	-1
Hautes-Alpes	05	189	189	189	189	189	189	189	189	189	189	189	189	189	189	189	188	187	187	186	186	186	186	186	184	182	181	181	179	175	175	177	177	178	163	113527	125844	121418	129102	131162	132580	132888	131805	129556	125100	122117	118897	119094	121787	122924	115522	113229	109510	107498	105083	89275	87963	87566	88210	84932	85067	87436	91790	97358	105070	113300	121419	135978	NA	NA	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	-1	0	-1	0	0	0	0	-2	-2	-1	0	-2	-4	0	2	0	1	-15	NA	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.53	-0.53	0	-0.53	0	0	0	0	-1.08	-1.09	-0.55	0	-1.1	-2.23	0	1.14	0	0.56	-8.43
Alpes-Maritimes	06	150	150	147	149	150	148	149	148	147	146	146	150	152	152	152	153	153	153	155	159	159	160	161	161	163	163	163	163	163	163	163	163	163	163	134854	140873	154304	65495	176302	63234	183578	67751	184047	194776	197502	199597	203604	226621	238057	258571	265155	293213	334007	356338	357759	435253	493376	513714	452546	515484	618265	722070	816681	881198	971829	1011326	1079100	NA	NA	0	-3	2	1	-2	1	-1	-1	-1	0	4	2	0	0	1	0	0	2	4	0	1	1	0	2	0	0	0	0	0	0	0	0	0	NA	0	-2	1.36	0.67	-1.33	0.68	-0.67	-0.68	-0.68	0	2.74	1.33	0	0	0.66	0	0	1.31	2.58	0	0.63	0.62	0	1.24	0	0	0	0	0	0	0	0	0
Ardèche	07	335	335	335	328	330	331	333	334	338	339	339	339	339	339	339	339	339	340	342	345	347	348	349	349	349	349	349	349	342	338	339	339	339	335	266656	290833	304289	340527	350828	364427	379677	385963	385357	388929	387193	380175	384378	376907	375472	371269	363501	353564	347140	331801	294308	289263	282911	272698	254598	249077	248516	256927	257065	267970	277581	286023	313578	NA	NA	0	0	-7	2	1	2	1	4	1	0	0	0	0	0	0	0	1	2	3	2	1	1	0	0	0	0	0	-7	-4	1	0	0	-4	NA	0	0	-2.09	0.61	0.3	0.6	0.3	1.2	0.3	0	0	0	0	0	0	0	0.29	0.59	0.88	0.58	0.29	0.29	0	0	0	0	0	-2.01	-1.17	0.3	0	0	-1.18
Ardennes	08	539	540	538	478	477	478	478	477	478	478	478	500	502	502	503	503	503	503	503	503	503	503	503	503	503	503	502	485	459	459	462	463	463	449	236227	251166	266991	289941	306150	318970	326367	330137	0	0	325303	318828	326782	333675	332759	324923	318865	315589	317505	318896	277811	297448	293746	288632	245335	280490	300245	309378	309306	302338	296357	290130	283296	NA	NA	1	-2	-60	-1	1	0	-1	1	0	0	22	2	0	1	0	0	0	0	0	0	0	0	0	0	0	-1	-17	-26	0	3	1	0	-14	NA	0.19	-0.37	-11.15	-0.21	0.21	0	-0.21	0.21	0	0	4.6	0.4	0	0.2	0	0	0	0	0	0	0	0	0	0	0	-0.2	-3.39	-5.36	0	0.65	0.22	0	-3.02
Ariège	09	336	336	336	334	335	335	334	336	335	335	334	335	335	335	335	336	337	337	337	337	337	337	340	340	340	341	341	339	331	331	331	331	332	327	194216	221163	233015	251803	258545	262448	268448	265592	249608	250171	248804	244605	243100	238855	234806	225882	218096	208024	204204	197101	171288	166168	159927	153822	144455	138588	135564	136790	136295	134247	134966	135764	150943	NA	NA	0	0	-2	1	0	-1	2	-1	0	-1	1	0	0	0	1	1	0	0	0	0	0	3	0	0	1	0	-2	-8	0	0	0	1	-5	NA	0	0	-0.6	0.3	0	-0.3	0.6	-0.3	0	-0.3	0.3	0	0	0	0.3	0.3	0	0	0	0	0	0.89	0	0	0.29	0	-0.59	-2.36	0	0	0	0.3	-1.51
Aube	10	452	451	451	447	446	446	446	447	446	446	446	446	446	446	446	446	446	446	446	445	445	445	445	445	445	445	445	443	430	430	431	431	433	431	231838	238819	230688	246518	253641	258013	261355	264642	261631	262590	261458	255132	255217	255326	257374	255548	251435	246163	243670	240755	227839	238253	242596	239563	235237	240797	255099	270325	284823	289300	289207	292131	303298	NA	NA	-1	0	-4	-1	0	0	1	-1	0	0	0	0	0	0	0	0	0	0	-1	0	0	0	0	0	0	0	-2	-13	0	1	0	2	-2	NA	-0.22	0	-0.89	-0.22	0	0	0.22	-0.22	0	0	0	0	0	0	0	0	0	0	-0.22	0	0	0	0	0	0	0	-0.45	-2.93	0	0.23	0	0.46	-0.46
Aude	11	434	433	434	434	433	433	434	434	434	434	435	436	436	437	437	437	439	439	439	440	440	440	440	441	441	441	441	439	437	437	438	438	438	433	225228	240993	252874	273733	285419	280849	287250	290125	282786	283460	288709	286613	300065	327988	332080	317372	310513	313531	308327	300537	287052	291951	296880	285115	268889	268254	269782	278323	272366	280686	298712	309770	353980	NA	NA	-1	1	0	-1	0	1	0	0	0	1	1	0	1	0	0	2	0	0	1	0	0	0	1	0	0	0	-2	-2	0	1	0	0	-5	NA	-0.23	0.23	0	-0.23	0	0.23	0	0	0	0.23	0.23	0	0.23	0	0	0.46	0	0	0.23	0	0	0	0.23	0	0	0	-0.45	-0.46	0	0.23	0	0	-1.14
Aveyron	12	529	184	194	218	241	259	274	281	282	282	285	289	295	301	302	302	302	302	304	306	306	306	306	306	306	307	307	306	304	304	304	304	306	287	313010	331373	339422	358502	364781	372465	385703	391129	391250	395903	399295	399813	413826	415075	415826	400467	389464	382074	377289	369448	332940	328886	323782	314682	307717	292727	290489	281568	278306	278654	270141	263808	277240	NA	NA	-345	10	24	23	18	15	7	1	0	3	4	6	6	1	0	0	0	2	2	0	0	0	0	0	1	0	-1	-2	0	0	0	2	-19	NA	-65.22	5.43	12.37	10.55	7.47	5.79	2.55	0.36	0	1.06	1.4	2.08	2.03	0.33	0	0	0	0.66	0.66	0	0	0	0	0	0.33	0	-0.33	-0.65	0	0	0	0.66	-6.21
Bouches-du-Rhône	13	109	109	106	105	106	106	106	106	106	106	107	108	108	109	109	109	109	110	111	111	111	114	114	116	117	118	118	119	119	119	119	119	119	119	285012	293236	313612	358742	361632	374673	413918	428892	473365	507113	547903	554902	556379	589028	604857	630622	673820	734347	765918	805539	841996	929549	1101672	1224802	971935	1048762	1248355	1470271	1632974	1724199	1759381	1831009	1967299	NA	NA	0	-3	-1	1	0	0	0	0	0	1	1	0	1	0	0	0	1	1	0	0	3	0	2	1	1	0	1	0	0	0	0	0	0	NA	0	-2.75	-0.94	0.95	0	0	0	0	0	0.94	0.93	0	0.93	0	0	0	0.92	0.91	0	0	2.7	0	1.75	0.86	0.85	0	0.85	0	0	0	0	0	0
Calvados	14	896	896	890	832	810	792	791	784	784	765	765	764	750	763	763	763	763	763	763	763	763	763	763	763	763	760	754	749	704	704	705	705	709	530	451062	505238	492407	494516	488474	495855	498181	491210	478397	480992	474909	454012	442284	439830	437267	428945	417176	410179	403431	396318	384730	390492	401356	404901	400026	442688	480757	519695	560967	589559	618478	648385	682868	NA	NA	0	-6	-58	-22	-18	-1	-7	0	-19	0	-1	-14	13	0	0	0	0	0	0	0	0	0	0	0	-3	-6	-5	-45	0	1	0	4	-179	NA	0	-0.67	-6.52	-2.64	-2.22	-0.13	-0.88	0	-2.42	0	-0.13	-1.83	1.73	0	0	0	0	0	0	0	0	0	0	0	-0.39	-0.79	-0.66	-6.01	0	0.14	0	0.57	-25.25
Cantal	15	269	269	269	260	256	257	258	259	259	259	260	264	266	267	267	267	267	267	267	267	267	267	267	267	268	269	269	268	258	259	260	260	261	247	219810	250864	251448	257585	261364	255734	258733	253253	246518	239399	238009	232903	231086	236190	241742	239601	234382	230511	228690	223361	199402	196999	193505	190888	186843	177065	172977	169330	166549	162838	158723	150778	148581	NA	NA	0	0	-9	-4	1	1	1	0	0	1	4	2	1	0	0	0	0	0	0	0	0	0	0	1	1	0	-1	-10	1	1	0	1	-14	NA	0	0	-3.35	-1.54	0.39	0.39	0.39	0	0	0.39	1.54	0.76	0.38	0	0	0	0	0	0	0	0	0	0	0.37	0.37	0	-0.37	-3.73	0.39	0.39	0	0.38	-5.36
Charente	16	454	453	453	452	456	439	434	434	431	427	427	426	426	426	426	426	426	426	426	426	426	426	426	425	424	424	424	423	405	405	405	404	404	365	320118	326680	347299	361288	0	367893	379031	382912	378721	379081	378218	367520	373950	370742	366408	360259	356236	350305	351733	347061	316369	312790	310489	309279	311137	313635	327658	331016	337064	340770	341993	339628	351563	NA	NA	-1	0	-1	4	-17	-5	0	-3	-4	0	-1	0	0	0	0	0	0	0	0	0	0	0	-1	-1	0	0	-1	-18	0	0	-1	0	-39	NA	-0.22	0	-0.22	0.88	-3.73	-1.14	0	-0.69	-0.93	0	-0.23	0	0	0	0	0	0	0	0	0	0	0	-0.23	-0.24	0	0	-0.24	-4.26	0	0	-0.25	0	-9.65
Charente-Maritime	17	506	506	505	481	480	480	480	480	480	479	479	479	481	480	480	480	480	480	481	482	482	482	483	483	483	486	486	484	472	472	472	472	474	465	399162	393039	409478	445291	449753	457694	467048	469439	474858	480350	479486	466051	465628	466416	462803	456202	453455	452149	453793	450871	418310	417789	415249	419021	416187	447973	470897	483622	497859	513220	527146	557024	616887	NA	NA	0	-1	-24	-1	0	0	0	0	-1	0	0	2	-1	0	0	0	0	1	1	0	0	1	0	0	3	0	-2	-12	0	0	0	2	-9	NA	0	-0.2	-4.75	-0.21	0	0	0	0	-0.21	0	0	0.42	-0.21	0	0	0	0	0.21	0.21	0	0	0.21	0	0	0.62	0	-0.41	-2.48	0	0	0	0.42	-1.9
Cher	18	304	304	304	297	297	293	291	291	290	290	291	291	291	291	291	292	292	292	292	293	293	293	293	293	290	290	290	290	290	290	290	290	290	287	217785	229247	239561	256247	276856	273947	294726	306959	314917	323444	336601	335372	345613	351405	355349	359276	347725	345543	343484	337810	304800	298398	293918	288695	286070	284376	293514	304601	316350	320174	321559	314428	311022	NA	NA	0	0	-7	0	-4	-2	0	-1	0	1	0	0	0	0	1	0	0	0	1	0	0	0	0	-3	0	0	0	0	0	0	0	0	-3	NA	0	0	-2.3	0	-1.35	-0.68	0	-0.34	0	0.34	0	0	0	0	0.34	0	0	0	0.34	0	0	0	0	-1.02	0	0	0	0	0	0	0	0	-1.03
Corrèze	19	294	293	294	291	292	290	286	286	286	286	286	286	287	287	287	287	287	288	289	289	289	289	289	289	289	289	289	289	285	286	286	286	287	281	243654	254271	273378	293853	302478	304958	315974	320865	314986	310118	310843	301828	310485	316820	326494	328119	322393	318422	317430	309646	273808	269289	264129	262770	254574	242798	237926	237858	240363	241448	237908	232576	245385	NA	NA	-1	1	-3	1	-2	-4	0	0	0	0	0	1	0	0	0	0	1	1	0	0	0	0	0	0	0	0	0	-4	1	0	0	1	-6	NA	-0.34	0.34	-1.02	0.34	-0.68	-1.38	0	0	0	0	0	0.35	0	0	0	0	0.35	0.35	0	0	0	0	0	0	0	0	0	-1.38	0.35	0	0	0.35	-2.09
Côte-d’Or	21	728	730	727	486	727	727	728	727	727	717	717	717	717	717	717	717	717	717	717	717	717	717	717	717	717	717	717	716	705	707	707	707	706	698	339562	355436	358148	252301	385073	383564	389799	399611	384416	383335	381624	373406	377663	382819	381574	376866	368168	361626	357959	350044	321088	328881	333800	334386	335602	356839	387869	421192	456070	473548	493866	506755	524144	NA	NA	2	-3	-241	241	0	1	-1	0	-10	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	-11	2	0	0	-1	-8	NA	0.27	-0.41	-33.15	49.59	0	0.14	-0.14	0	-1.38	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.14	-1.54	0.28	0	0	-0.14	-1.13
Côtes-d’Armor	22	378	378	377	375	375	375	375	377	378	382	384	388	388	388	388	388	389	389	389	389	389	389	389	390	390	390	384	384	368	368	371	371	373	348	504021	519382	552015	598909	604356	607531	628645	629042	621271	628615	644460	622487	630591	627241	627914	618317	615763	609027	611220	605238	557590	552549	539293	531612	526745	502975	501735	505890	525394	538724	538249	542213	587519	NA	NA	0	-1	-2	0	0	0	2	1	4	2	4	0	0	0	0	1	0	0	0	0	0	0	1	0	0	-6	0	-16	0	3	0	2	-25	NA	0	-0.26	-0.53	0	0	0	0.53	0.27	1.06	0.52	1.04	0	0	0	0	0.26	0	0	0	0	0	0	0.26	0	0	-1.54	0	-4.17	0	0.82	0	0.54	-6.7
Creuse	23	295	296	292	282	269	265	262	261	261	261	261	263	263	264	266	266	266	266	266	266	266	266	266	266	266	266	266	264	260	260	260	260	261	257	218041	226224	248785	265640	276164	278418	285720	287181	278869	270055	274167	274663	278423	278782	284942	284660	279366	277831	274094	266188	228244	219148	207882	201844	188669	172702	163515	156876	146214	139968	131349	124470	124000	NA	NA	1	-4	-10	-13	-4	-3	-1	0	0	0	2	0	1	2	0	0	0	0	0	0	0	0	0	0	0	0	-2	-4	0	0	0	1	-4	NA	0.34	-1.35	-3.42	-4.61	-1.49	-1.13	-0.38	0	0	0	0.77	0	0.38	0.76	0	0	0	0	0	0	0	0	0	0	0	0	-0.75	-1.52	0	0	0	0.38	-1.53
Dordogne	24	641	639	635	584	583	583	584	585	584	582	582	582	582	583	583	585	585	585	587	587	587	587	587	587	587	587	580	575	555	556	557	557	559	507	409800	423911	453136	482654	487560	489822	501331	505087	504600	501029	500543	477389	489848	495037	492205	478471	464822	452951	447152	437432	396742	392489	383720	386963	387643	377870	375455	374073	373179	377356	386365	388293	413181	NA	NA	-2	-4	-51	-1	0	1	1	-1	-2	0	0	0	1	0	2	0	0	2	0	0	0	0	0	0	0	-7	-5	-20	1	1	0	2	-52	NA	-0.31	-0.63	-8.03	-0.17	0	0.17	0.17	-0.17	-0.34	0	0	0	0.17	0	0.34	0	0	0.34	0	0	0	0	0	0	0	-1.19	-0.86	-3.48	0.18	0.18	0	0.36	-9.3
Doubs	25	658	653	648	640	641	641	641	641	641	640	640	638	639	639	639	639	638	638	638	637	637	637	637	637	637	637	636	636	594	592	594	594	594	573	230694	240783	242782	265696	276609	286416	292507	296813	287002	296385	298249	291302	306211	310915	311076	303176	302143	298973	298537	300039	285106	296678	305591	304915	298355	327280	384979	426469	471082	477163	484770	499062	525276	NA	NA	-5	-5	-8	1	0	0	0	0	-1	0	-2	1	0	0	0	-1	0	0	-1	0	0	0	0	0	0	-1	0	-42	-2	2	0	0	-21	NA	-0.76	-0.77	-1.23	0.16	0	0	0	0	-0.16	0	-0.31	0.16	0	0	0	-0.16	0	0	-0.16	0	0	0	0	0	0	-0.16	0	-6.6	-0.34	0.34	0	0	-3.54
Drôme	26	361	359	359	359	359	360	362	362	365	366	367	370	372	376	379	379	379	379	379	378	378	378	378	378	379	381	382	381	372	371	371	370	369	364	235106	253372	273511	299639	305501	311544	320106	326314	324536	327014	324227	321053	321750	313763	314615	306419	303491	297321	297270	290894	263509	263750	267080	267281	268233	275290	304227	342891	361847	389781	414072	437778	482984	NA	NA	-2	0	0	0	1	2	0	3	1	1	3	2	4	3	0	0	0	0	-1	0	0	0	0	1	2	1	-1	-9	-1	0	-1	-1	-5	NA	-0.55	0	0	0	0.28	0.56	0	0.83	0.27	0.27	0.82	0.54	1.08	0.8	0	0	0	0	-0.26	0	0	0	0	0.26	0.53	0.26	-0.26	-2.36	-0.27	0	-0.27	-0.27	-1.36
Eure	27	842	841	804	798	794	791	703	704	701	700	700	700	700	700	700	700	700	700	700	700	700	700	700	700	698	699	699	688	676	676	676	675	675	585	402769	421460	416124	424135	424292	424780	423540	415777	404665	398670	394467	377974	373649	364291	358829	349471	340652	334691	330140	323763	303159	308445	305788	303829	315902	332514	361943	383385	422952	462323	513818	541054	582822	NA	NA	-1	-37	-6	-4	-3	-88	1	-3	-1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-2	1	0	-11	-12	0	0	-1	0	-90	NA	-0.12	-4.4	-0.75	-0.5	-0.38	-11.13	0.14	-0.43	-0.14	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.29	0.14	0	-1.57	-1.74	0	0	-0.15	0	-13.33
Eure-et-Loir	28	460	460	460	450	439	435	431	428	426	425	425	425	425	425	425	425	425	425	425	425	425	425	425	425	425	425	424	424	401	402	403	403	403	365	257703	265937	264444	278817	284992	286309	292102	294640	290822	290024	290519	282451	282830	279877	283491	284452	280226	275194	273584	272037	251065	254997	254603	252508	257919	260851	277375	302047	335151	362813	396073	407665	425502	NA	NA	0	0	-10	-11	-4	-4	-3	-2	-1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	0	-23	1	1	0	0	-38	NA	0	0	-2.17	-2.44	-0.91	-0.92	-0.7	-0.47	-0.23	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.24	0	-5.42	0.25	0.25	0	0	-9.43
Finistère	29	290	287	285	282	282	283	283	284	284	284	284	284	287	290	291	291	294	296	296	296	298	299	299	301	295	295	288	286	283	283	283	283	283	277	456707	453307	483512	523886	546815	576586	602717	617618	607817	623936	662227	642545	666066	681234	707820	727012	739648	773014	795103	809771	762514	753702	744295	756793	728244	727847	749558	768929	804088	828364	838687	852418	893914	NA	NA	-3	-2	-3	0	1	0	1	0	0	0	0	3	3	1	0	3	2	0	0	2	1	0	2	-6	0	-7	-2	-3	0	0	0	0	-6	NA	-1.03	-0.7	-1.05	0	0.35	0	0.35	0	0	0	0	1.06	1.05	0.34	0	1.03	0.68	0	0	0.68	0.34	0	0.67	-1.99	0	-2.37	-0.69	-1.05	0	0	0	0	-2.12
Gard	30	364	364	343	342	344	345	347	348	348	348	347	348	348	349	349	349	349	349	350	350	350	352	352	352	354	354	354	354	352	352	352	352	352	350	300274	322144	334164	357389	365678	375554	400151	406731	416833	422499	427407	413233	423804	414584	416039	418201	414776	419557	419875	412182	394865	401253	405353	393566	379156	394765	432744	475190	490612	526326	579796	617250	693888	NA	NA	0	-21	-1	2	1	2	1	0	0	-1	1	0	1	0	0	0	0	1	0	0	2	0	0	2	0	0	0	-2	0	0	0	0	-2	NA	0	-5.77	-0.29	0.58	0.29	0.58	0.29	0	0	-0.29	0.29	0	0.29	0	0	0	0	0.29	0	0	0.57	0	0	0.57	0	0	0	-0.56	0	0	0	0	-0.57
Haute-Garonne	31	611	609	606	603	596	590	580	577	578	578	584	584	585	587	587	587	587	588	588	589	589	589	589	589	589	591	593	592	588	587	588	588	589	586	343883	367524	391074	426412	453978	468411	481938	481915	480837	484141	493804	478230	477730	478009	481169	472383	459377	448481	442065	432126	424582	431505	441799	458647	512260	525669	594633	690712	777431	824501	925962	1046338	1230819.99602	NA	NA	-2	-3	-3	-7	-6	-10	-3	1	0	6	0	1	2	0	0	0	1	0	1	0	0	0	0	0	2	2	-1	-4	-1	1	0	1	-3	NA	-0.33	-0.49	-0.5	-1.16	-1.01	-1.69	-0.52	0.17	0	1.04	0	0.17	0.34	0	0	0	0.17	0	0.17	0	0	0	0	0	0.34	0.34	-0.17	-0.68	-0.17	0.17	0	0.17	-0.51
Gers	32	684	681	681	503	486	466	466	467	466	466	465	465	465	465	465	465	466	466	466	466	466	466	466	466	466	467	467	466	462	462	462	463	464	462	261740	284432	299404	309861	0	309796	313189	307479	304497	298931	295692	284717	283537	281532	274391	261084	250472	238448	231088	221994	194406	196419	193134	192451	190436	185111	182263	181576	175366	174154	174587	172335	193456	NA	NA	-3	0	-178	-17	-20	0	1	-1	0	-1	0	0	0	0	0	1	0	0	0	0	0	0	0	0	1	0	-1	-4	0	0	1	1	-2	NA	-0.44	0	-26.14	-3.38	-4.12	0	0.21	-0.21	0	-0.21	0	0	0	0	0	0.22	0	0	0	0	0	0	0	0	0.21	0	-0.21	-0.86	0	0	0.22	0.22	-0.43
Gironde	33	567	561	542	543	544	544	544	546	546	547	549	551	552	552	552	553	554	554	554	554	554	554	554	554	555	555	555	548	543	543	542	542	542	535	502988	514482	522253	554170	555786	568034	602444	614387	640757	667193	701855	705149	735242	748703	775845	793528	809902	821131	823925	829095	819128	827973	852768	850567	858381	896517	935448	1009390	1061480	1127546	1213499	1287334	1434661	NA	NA	-6	-19	1	1	0	0	2	0	1	2	2	1	0	0	1	1	0	0	0	0	0	0	0	1	0	0	-7	-5	0	-1	0	0	-7	NA	-1.06	-3.39	0.18	0.18	0	0	0.37	0	0.18	0.37	0.36	0.18	0	0	0.18	0.18	0	0	0	0	0	0	0	0.18	0	0	-1.26	-0.91	0	-0.18	0	0	-1.29
Hérault	34	333	333	332	332	327	326	328	330	330	331	332	335	336	336	338	338	338	340	340	341	342	342	343	343	343	343	343	342	343	343	343	343	343	342	275413	301101	324126	346454	356722	366173	384610	387664	399276	409487	418295	428729	445053	441527	439044	461651	469684	489421	482779	480484	488215	500575	514819	502043	461100	471429	516658	591397	648202	706499	794603	896441	1031974	NA	NA	0	-1	0	-5	-1	2	2	0	1	1	3	1	0	2	0	0	2	0	1	1	0	1	0	0	0	0	-1	1	0	0	0	0	-1	NA	0	-0.3	0	-1.51	-0.31	0.61	0.61	0	0.3	0.3	0.9	0.3	0	0.6	0	0	0.59	0	0.29	0.29	0	0.29	0	0	0	0	-0.29	0.29	0	0	0	0	-0.29
Ille-et-Vilaine	35	351	350	350	349	349	347	348	350	350	350	350	352	353	357	357	359	359	360	360	360	360	360	360	361	361	362	362	359	353	352	353	352	354	332	488846	508334	533205	546835	547219	549217	562872	574972	580821	584257	593079	589681	602712	615480	621384	626875	622039	613567	611805	608098	558574	561688	562558	565766	578246	586812	614268	652722	702199	749764	798718	867533	981419	NA	NA	-1	0	-1	0	-2	1	2	0	0	0	2	1	4	0	2	0	1	0	0	0	0	0	1	0	1	0	-3	-6	-1	1	-1	2	-22	NA	-0.28	0	-0.29	0	-0.57	0.29	0.57	0	0	0	0.57	0.28	1.13	0	0.56	0	0.28	0	0	0	0	0	0.28	0	0.28	0	-0.83	-1.67	-0.28	0.28	-0.28	0.57	-6.21
Indre	36	274	274	260	249	249	248	247	248	246	245	245	245	245	245	245	245	245	245	245	245	247	247	247	248	248	248	248	248	247	247	247	247	247	241	205628	204721	230373	245531	257350	253290	264315	271904	273479	270054	277858	277663	281248	287759	296147	292868	289206	288788	290216	287673	260535	255095	247912	245622	252075	247436	251432	247178	248523	243191	237510	231139	232268	NA	NA	0	-14	-11	0	-1	-1	1	-2	-1	0	0	0	0	0	0	0	0	0	0	2	0	0	1	0	0	0	0	-1	0	0	0	0	-6	NA	0	-5.11	-4.23	0	-0.4	-0.4	0.4	-0.81	-0.41	0	0	0	0	0	0	0	0	0	0	0.82	0	0	0.4	0	0	0	0	-0.4	0	0	0	0	-2.43
Indre-et-Loire	37	310	309	303	290	282	281	281	281	281	281	281	281	282	282	282	282	282	282	282	282	282	282	282	282	282	281	281	278	277	277	277	277	277	272	269036	275291	282172	297116	304274	306338	312420	315611	318438	323579	325025	317027	324875	329160	340921	337298	337064	335541	337916	341205	327743	334486	335226	343276	349675	364706	395210	437870	478601	506097	529345	554003	588420	NA	NA	-1	-6	-13	-8	-1	0	0	0	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	-1	0	-3	-1	0	0	0	0	-5	NA	-0.32	-1.94	-4.29	-2.76	-0.35	0	0	0	0	0	0	0.36	0	0	0	0	0	0	0	0	0	0	0	0	-0.35	0	-1.07	-0.36	0	0	0	0	-1.81
Isère	38	530	530	527	529	530	525	525	523	524	526	528	531	534	536	539	539	539	539	539	540	540	540	542	542	542	542	540	537	533	533	533	533	533	512	413117	447370	476498	521515	541516	553554	562570	566726	550214	550724	554249	550058	555190	555438	555845	547424	542919	544254	538308	531674	502033	529816	549739	540903	541899	587982	676823	767367	860339	936771	1016228	1094006	1197038	NA	NA	0	-3	2	1	-5	0	-2	1	2	2	3	3	2	3	0	0	0	0	1	0	0	2	0	0	0	-2	-3	-4	0	0	0	0	-21	NA	0	-0.57	0.38	0.19	-0.94	0	-0.38	0.19	0.38	0.38	0.57	0.56	0.37	0.56	0	0	0	0	0.19	0	0	0.37	0	0	0	-0.37	-0.56	-0.74	0	0	0	0	-3.94
Jura	39	727	727	707	573	574	579	583	583	583	582	582	583	583	583	583	583	583	583	583	584	584	584	584	584	582	580	579	577	543	543	545	545	545	495	287988	300233	301551	312343	315187	316568	315990	313165	296583	297946	298375	287520	288721	285175	281179	272933	266046	261179	257626	252609	228978	230598	229018	220704	216286	220109	225584	233441	238856	242925	248759	250857	262388	NA	NA	0	-20	-134	1	5	4	0	0	-1	0	1	0	0	0	0	0	0	0	1	0	0	0	0	-2	-2	-1	-2	-34	0	2	0	0	-50	NA	0	-2.75	-18.95	0.17	0.87	0.69	0	0	-0.17	0	0.17	0	0	0	0	0	0	0	0.17	0	0	0	0	-0.34	-0.34	-0.17	-0.35	-5.89	0	0.37	0	0	-9.17
Landes	40	363	363	352	344	339	339	333	332	332	331	330	331	333	333	333	333	333	333	334	334	334	334	334	334	334	334	334	332	331	331	331	331	331	327	222293	232204	252718	277331	278921	282404	292157	295377	302793	300839	306693	299263	303508	301143	302266	297902	292884	291586	293467	288902	263937	258038	257186	251436	248395	248943	260495	277381	288323	297424	311461	327334	379341	NA	NA	0	-11	-8	-5	0	-6	-1	0	-1	-1	1	2	0	0	0	0	0	1	0	0	0	0	0	0	0	0	-2	-1	0	0	0	0	-4	NA	0	-3.03	-2.27	-1.45	0	-1.77	-0.3	0	-0.3	-0.3	0.3	0.6	0	0	0	0	0	0.3	0	0	0	0	0	0	0	0	-0.6	-0.3	0	0	0	0	-1.21
Loir-et-Cher	41	309	306	299	298	296	296	296	296	296	298	297	297	297	297	297	297	297	297	297	297	297	297	297	297	297	297	296	295	291	291	291	291	291	267	209966	213482	227527	235750	244083	249362	256383	261892	264043	269029	275757	268801	272634	275713	279214	280358	278153	275538	276019	271231	251528	248099	241592	240908	242419	239824	250741	267896	283686	296224	305937	314968	327868	NA	NA	-3	-7	-1	-2	0	0	0	0	2	-1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	-1	-4	0	0	0	0	-24	NA	-0.97	-2.29	-0.33	-0.67	0	0	0	0	0.68	-0.34	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.34	-0.34	-1.36	0	0	0	0	-8.25
Loire	42	326	326	326	320	320	318	321	321	317	320	323	327	329	330	331	332	333	333	335	336	337	338	338	338	338	339	331	327	327	327	327	327	327	323	290903	315858	343524	390847	412675	434723	453928	472620	505130	517604	537118	550985	590613	599836	603384	616227	625336	647633	643943	640549	637130	669216	664822	650223	631591	654482	696348	722443	742396	739521	746288	728524	746115	NA	NA	0	0	-6	0	-2	3	0	-4	3	3	4	2	1	1	1	1	0	2	1	1	1	0	0	0	1	-8	-4	0	0	0	0	0	-4	NA	0	0	-1.84	0	-0.62	0.94	0	-1.25	0.95	0.94	1.24	0.61	0.3	0.3	0.3	0.3	0	0.6	0.3	0.3	0.3	0	0	0	0.3	-2.36	-1.21	0	0	0	0	0	-1.22
Haute-Loire	43	274	274	274	270	266	266	256	257	258	260	261	262	263	264	264	264	265	265	265	265	265	266	267	267	268	268	268	264	260	260	260	260	262	258	234736	268212	276830	291092	293190	298414	306743	304421	301342	305873	312937	308709	313723	316461	320063	316735	316699	314058	314770	303838	268910	260610	251608	245271	228076	215577	211036	208337	205491	205895	206568	209113	223438	NA	NA	0	0	-4	-4	0	-10	1	1	2	1	1	1	1	0	0	1	0	0	0	0	1	1	0	1	0	0	-4	-4	0	0	0	2	-4	NA	0	0	-1.46	-1.48	0	-3.76	0.39	0.39	0.78	0.38	0.38	0.38	0.38	0	0	0.38	0	0	0	0	0.38	0.38	0	0.37	0	0	-1.49	-1.52	0	0	0	0.77	-1.53
Loire-Atlantique	44	209	209	208	207	206	206	206	206	208	208	213	215	217	217	217	217	217	218	219	218	219	220	220	220	222	223	224	224	221	221	221	221	223	208	369305	407827	432638	470093	0	486807	517381	535664	555996	580207	598598	602206	612970	625625	643884	645263	647172	664971	666748	669920	649691	651547	652079	659428	665064	733575	803372	861452	934499	995498	1052183	1134266	1269130	NA	NA	0	-1	-1	-1	0	0	0	2	0	5	2	2	0	0	0	0	1	1	-1	1	1	0	0	2	1	1	0	-3	0	0	0	2	-15	NA	0	-0.48	-0.48	-0.48	0	0	0	0.97	0	2.4	0.94	0.93	0	0	0	0	0.46	0.46	-0.46	0.46	0.46	0	0	0.91	0.45	0.45	0	-1.34	0	0	0	0.9	-6.73
Loiret	45	363	363	357	348	348	348	348	348	348	349	349	349	349	349	349	349	349	349	349	349	349	349	349	349	349	349	349	348	334	334	334	334	334	325	286255	285395	291396	305432	313106	314547	330954	340138	343708	352737	357110	353021	360903	368526	374875	377718	371019	366660	364999	364061	337224	341225	342679	343865	346918	360523	389854	430629	490189	535669	580612	618126	653510	NA	NA	0	-6	-9	0	0	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	-14	0	0	0	0	-9	NA	0	-1.65	-2.52	0	0	0	0	0	0.29	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.29	-4.02	0	0	0	0	-2.69
Lot	46	355	303	302	300	300	307	310	314	315	315	318	321	323	323	324	325	327	327	329	329	330	331	334	335	337	340	340	340	340	340	340	340	342	315	262466	268351	275199	284475	287062	287348	291751	295916	293675	295455	288919	281404	276512	280269	271514	253885	240403	226720	216611	205769	176889	171776	166637	162572	154897	147754	149929	151198	150778	154533	155816	160197	175701	NA	NA	-52	-1	-2	0	7	3	4	1	0	3	3	2	0	1	1	2	0	2	0	1	1	3	1	2	3	0	0	0	0	0	0	2	-27	NA	-14.65	-0.33	-0.66	0	2.33	0.98	1.29	0.32	0	0.95	0.94	0.62	0	0.31	0.31	0.62	0	0.61	0	0.3	0.3	0.91	0.3	0.6	0.89	0	0	0	0	0	0	0.59	-7.89
Lot-et-Garonne	47	383	383	383	354	354	312	312	312	315	316	318	318	325	326	326	326	326	326	326	326	326	326	326	327	328	328	328	326	311	314	317	317	319	319	300143	326226	330119	346885	346400	347073	346260	341345	340041	332065	327962	319289	316920	312081	307437	295360	286377	278740	274610	268083	239972	246609	247500	252761	265449	265549	275028	290592	292616	298522	305989	305380	329697	NA	NA	0	0	-29	0	-42	0	0	3	1	2	0	7	1	0	0	0	0	0	0	0	0	0	1	1	0	0	-2	-15	3	3	0	2	0	NA	0	0	-7.57	0	-11.86	0	0	0.96	0.32	0.63	0	2.2	0.31	0	0	0	0	0	0	0	0	0	0.31	0.31	0	0	-0.61	-4.6	0.96	0.96	0	0.63	0
Lozère	48	192	192	191	189	193	193	194	193	193	193	193	194	196	197	197	198	198	198	198	198	198	198	198	198	198	198	197	194	185	185	185	185	184	151	126344	143247	133934	140460	141858	144233	159137	145574	141906	139089	137265	135081	138318	143566	141264	135527	132151	128866	128016	122738	108822	104733	101859	98480	90523	82391	81868	77258	74825	74294	72825	73509	76662	NA	NA	0	-1	-2	4	0	1	-1	0	0	0	1	2	1	0	1	0	0	0	0	0	0	0	0	0	0	-1	-3	-9	0	0	0	-1	-33	NA	0	-0.52	-1.05	2.12	0	0.52	-0.52	0	0	0	0.52	1.03	0.51	0	0.51	0	0	0	0	0	0	0	0	0	0	-0.51	-1.52	-4.64	0	0	0	-0.54	-17.93
Maine-et-Loire	49	388	387	382	386	380	376	374	377	377	377	381	381	382	382	382	382	382	382	382	382	382	382	382	382	382	382	382	378	364	364	364	364	369	178	377539	405243	443469	468466	469348	487520	504029	515264	524714	523951	531710	518534	518029	524249	528458	519382	515632	515436	514228	508873	475490	478461	476694	478409	496786	519051	557074	585568	629849	675321	705882	732942	786406	NA	NA	-1	-5	4	-6	-4	-2	3	0	0	4	0	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-4	-14	0	0	0	5	-191	NA	-0.26	-1.29	1.05	-1.55	-1.05	-0.53	0.8	0	0	1.06	0	0.26	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1.05	-3.7	0	0	0	1.37	-51.76
Manche	50	670	668	654	650	645	641	641	643	643	644	644	643	643	643	643	643	645	646	646	646	646	646	647	647	647	647	647	637	593	596	601	601	610	445	529069	581615	594406	591376	594319	597531	604252	600882	595202	591421	573674	544776	539910	526377	520865	513815	500052	490653	486739	475456	424873	430714	432814	437865	434833	446261	446329	451419	451191	465502	479217	481059	502356	NA	NA	-2	-14	-4	-5	-4	0	2	0	1	0	-1	0	0	0	0	2	1	0	0	0	0	1	0	0	0	0	-10	-44	3	5	0	9	-165	NA	-0.3	-2.1	-0.61	-0.77	-0.62	0	0.31	0	0.16	0	-0.16	0	0	0	0	0.31	0.16	0	0	0	0	0.15	0	0	0	0	-1.55	-6.91	0.51	0.84	0	1.5	-27.05
Marne	51	694	693	692	691	683	683	676	673	668	666	664	664	664	663	661	660	660	660	661	661	661	661	661	661	661	653	653	634	621	618	619	619	622	614	304609	310695	309108	339716	344905	355785	363819	371743	364290	373768	379312	381170	407476	421498	429217	434459	439331	432674	433963	436115	366492	397596	411998	410045	386717	414899	441995	485175	530399	543627	558217	563735	568193	NA	NA	-1	-1	-1	-8	0	-7	-3	-5	-2	-2	0	0	-1	-2	-1	0	0	1	0	0	0	0	0	0	-8	0	-19	-13	-3	1	0	3	-8	NA	-0.14	-0.14	-0.14	-1.16	0	-1.02	-0.44	-0.74	-0.3	-0.3	0	0	-0.15	-0.3	-0.15	0	0	0.15	0	0	0	0	0	0	-1.21	0	-2.91	-2.05	-0.48	0.16	0	0.48	-1.29
Haute-Marne	52	547	548	545	546	545	547	547	546	546	546	546	546	546	546	546	546	546	546	546	546	546	546	546	546	545	545	543	539	394	395	424	432	433	421	224753	235844	231374	249517	253384	255363	259836	266087	254432	256043	256734	248942	250888	253383	246303	242069	230723	225187	220505	213663	197942	194482	188930	187670	181073	196466	207777	213747	212314	210670	204067	194873	185214	NA	NA	1	-3	1	-1	2	0	-1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	0	-2	-4	-145	1	29	8	1	-12	NA	0.18	-0.55	0.18	-0.18	0.37	0	-0.18	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.18	0	-0.37	-0.74	-26.9	0.25	7.34	1.89	0.23	-2.77
Mayenne	53	285	285	281	280	275	275	274	274	274	274	274	274	276	276	276	276	276	276	276	276	276	276	276	276	276	276	276	275	262	262	261	261	262	241	301968	328337	339973	353937	361764	361392	368439	374566	373841	375163	367855	350637	351933	344881	340063	332387	321187	313103	305457	297732	262447	259934	254479	251348	256317	251522	250030	252762	261789	271784	278037	285338	308273	NA	NA	0	-4	-1	-5	0	-1	0	0	0	0	0	2	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	-13	0	-1	0	1	-21	NA	0	-1.4	-0.36	-1.79	0	-0.36	0	0	0	0	0	0.73	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.36	-4.73	0	-0.38	0	0.38	-8.02
Meurthe-et-Moselle	54	630	626	582	582	590	594	596	596	596	597	597	597	597	598	597	597	597	599	599	601	601	601	601	601	600	600	600	600	588	588	594	594	594	591	280699	302838	310778	277520	348728	353769	303027	306157	304479	366949	58644	365363	404849	419514	431946	444389	466654	484934	517716	564932	503989	552261	592803	576219	528960	604190	678247	705554	722693	716964	711943	713779	731019	NA	NA	-4	-44	0	8	4	2	0	0	1	0	0	0	1	-1	0	0	2	0	2	0	0	0	0	-1	0	0	0	-12	0	6	0	0	-3	NA	-0.63	-7.03	0	1.37	0.68	0.34	0	0	0.17	0	0	0	0.17	-0.17	0	0	0.34	0	0.33	0	0	0	0	-0.17	0	0	0	-2	0	1.02	0	0	-0.51
Meuse	55	589	589	587	587	586	586	586	586	586	585	585	585	584	584	584	584	584	584	584	584	584	584	584	584	584	584	583	580	481	486	498	498	501	499	269057	284478	291586	313847	317275	325715	325075	327744	305087	304530	300767	284176	293504	289338	291425	291744	289904	283023	279794	277550	206960	217773	215458	216572	188474	206761	215596	209175	203799	199983	196223	192198	194101	NA	NA	0	-2	0	-1	0	0	0	0	-1	0	0	-1	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	-3	-99	5	12	0	3	-2	NA	0	-0.34	0	-0.17	0	0	0	0	-0.17	0	0	-0.17	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.17	-0.51	-17.07	1.04	2.47	0	0.6	-0.4
Morbihan	56	227	226	225	226	227	231	231	233	233	237	243	248	249	249	250	253	254	255	256	257	258	260	260	261	261	262	263	263	261	261	261	261	261	250	400825	403011	415809	432333	447886	447588	471500	477097	474344	486405	500425	490294	506573	521614	535256	544470	552028	563468	573152	578400	546047	543175	537528	542248	506884	520978	530833	540474	563588	590889	619838	643873	716182	NA	NA	-1	-1	1	1	4	0	2	0	4	6	5	1	0	1	3	1	1	1	1	1	2	0	1	0	1	1	0	-2	0	0	0	0	-11	NA	-0.44	-0.44	0.44	0.44	1.76	0	0.87	0	1.72	2.53	2.06	0.4	0	0.4	1.2	0.4	0.39	0.39	0.39	0.39	0.78	0	0.38	0	0.38	0.38	0	-0.76	0	0	0	0	-4.21
Moselle	57	904	908	701	701	729	735	738	740	740	746	746	749	751	753	750	750	758	758	758	757	756	762	763	763	762	762	757	751	718	720	727	730	729	724	367959	408689	443390	128435	502225	496335	133365	130944	120152	507550	392971	489820	479596	492068	489034	509614	524278	564412	613677	605737	584374	626421	684961	688331	613858	760451	910697	963422	1006373	1007189	1011302	1023447	1044876	NA	NA	4	-207	0	28	6	3	2	0	6	0	3	2	2	-3	0	8	0	0	-1	-1	6	1	0	-1	0	-5	-6	-33	2	7	3	-1	-5	NA	0.44	-22.8	0	3.99	0.82	0.41	0.27	0	0.81	0	0.4	0.27	0.27	-0.4	0	1.07	0	0	-0.13	-0.13	0.79	0.13	0	-0.13	0	-0.66	-0.79	-4.39	0.28	0.97	0.41	-0.14	-0.69
Nièvre	58	331	331	329	323	317	316	316	316	317	314	312	313	313	313	313	313	313	313	313	313	313	313	313	313	313	313	313	313	312	312	312	312	311	308	231937	241473	257990	283062	297470	305286	321853	326972	326134	333026	343083	340361	346822	347755	347645	343581	333899	323783	313972	299312	270148	260502	255195	249673	248559	240078	245921	247702	245212	239635	233278	225198	219586	NA	NA	0	-2	-6	-6	-1	0	0	1	-3	-2	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-1	0	0	0	-1	-3	NA	0	-0.6	-1.82	-1.86	-0.32	0	0	0.32	-0.95	-0.64	0.32	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.32	0	0	0	-0.32	-0.96
Nord	59	666	666	664	659	659	661	662	662	663	660	660	661	662	663	665	666	667	667	667	667	668	668	669	669	666	665	665	663	654	652	652	653	650	648	763401	837916	905603	990252	1026757	1085705	1133399	1158712	1212819	1303792	1392488	1448051	1520046	1603647	1670550	1736623	1812150	1867245	1896090	1961963	1788133	1969330	2029643	2022357	1917704	2096805	2293388	2418166	2511478	2520526	2531855	2555020	2571940	NA	NA	0	-2	-5	0	2	1	0	1	-3	0	1	1	1	2	1	1	0	0	0	1	0	1	0	-3	-1	0	-2	-9	-2	0	1	-3	-2	NA	0	-0.3	-0.75	0	0.3	0.15	0	0.15	-0.45	0	0.15	0.15	0.15	0.3	0.15	0.15	0	0	0	0.15	0	0.15	0	-0.45	-0.15	0	-0.3	-1.36	-0.31	0	0.15	-0.46	-0.31
Oise	60	731	730	730	630	698	699	700	700	700	700	700	701	701	701	701	701	701	701	701	701	701	701	702	702	698	698	697	696	693	693	693	693	696	682	360251	383507	375816	397810	398792	399592	406331	403281	396351	401828	395702	390832	401618	404555	403086	401835	404511	407808	410050	411028	387760	405971	407432	402569	396724	435308	481289	540988	606320	661781	725603	766441	804810	NA	NA	-1	0	-100	68	1	1	0	0	0	0	1	0	0	0	0	0	0	0	0	0	0	1	0	-4	0	-1	-1	-3	0	0	0	3	-14	NA	-0.14	0	-13.7	10.79	0.14	0.14	0	0	0	0	0.14	0	0	0	0	0	0	0	0	0	0	0.14	0	-0.57	0	-0.14	-0.14	-0.43	0	0	0	0.43	-2.01
Orne	61	623	624	595	537	532	512	511	511	511	511	510	510	511	511	512	512	512	512	512	512	513	513	513	513	513	513	511	507	507	507	507	507	505	385	401026	429506	427048	128871	443523	441912	442107	439884	430127	423350	414618	398250	392526	376126	367248	354387	339162	326952	315993	307433	274814	277637	273717	269331	273181	274862	280526	288503	293523	295472	293204	292337	292210	NA	NA	1	-29	-58	-5	-20	-1	0	0	0	-1	0	1	0	1	0	0	0	0	0	1	0	0	0	0	0	-2	-4	0	0	0	0	-2	-120	NA	0.16	-4.65	-9.75	-0.93	-3.76	-0.2	0	0	0	-0.2	0	0.2	0	0.2	0	0	0	0	0	0.2	0	0	0	0	0	-0.39	-0.78	0	0	0	0	-0.39	-23.76
Pas-de-Calais	62	931	930	923	905	905	905	905	905	904	905	905	906	906	906	905	905	905	906	906	906	907	907	907	907	908	910	910	909	898	898	897	894	896	891	537136	572604	611648	656674	666656	686459	697167	696980	699302	724088	749494	760759	794518	820344	854787	875494	907370	956466	1013492	1069355	990704	1172723	1205975	1180196	1169196	1277467	1366927	1397817	1402295	1412413	1433203	1441568	1461354	NA	NA	-1	-7	-18	0	0	0	0	-1	1	0	1	0	0	-1	0	0	1	0	0	1	0	0	0	1	2	0	-1	-11	0	-1	-3	2	-5	NA	-0.11	-0.75	-1.95	0	0	0	0	-0.11	0.11	0	0.11	0	0	-0.11	0	0	0.11	0	0	0.11	0	0	0	0.11	0.22	0	-0.11	-1.21	0	-0.11	-0.33	0.22	-0.56
Puy-de-Dôme	63	437	438	438	441	443	444	443	443	443	443	444	455	465	467	469	470	470	470	471	472	472	472	472	473	473	473	473	473	470	470	470	470	470	464	507130	542834	553404	573096	589029	591458	600073	596295	590254	576141	569642	565569	570207	566064	570964	564266	555078	544194	535419	525916	490560	515399	500590	486103	478876	481380	508928	547743	580033	594365	598213	604266	629416	NA	NA	1	0	3	2	1	-1	0	0	0	1	11	10	2	2	1	0	0	1	1	0	0	0	1	0	0	0	0	-3	0	0	0	0	-6	NA	0.23	0	0.68	0.45	0.23	-0.23	0	0	0	0.23	2.48	2.2	0.43	0.43	0.21	0	0	0.21	0.21	0	0	0	0.21	0	0	0	0	-0.63	0	0	0	0	-1.28
Pyrénées-Atlantiques	64	657	588	654	631	631	562	561	561	559	558	557	558	558	558	558	559	559	559	559	559	559	560	560	560	560	560	560	559	537	540	543	545	547	546	360336	388448	404284	434720	452582	458935	465487	453602	451755	436628	435497	426892	431525	434366	432999	425027	423572	426347	425815	433318	402981	414556	422719	413411	415797	420009	466038	508734	534748	555696	578514	600018	650356	NA	NA	-69	66	-23	0	-69	-1	0	-2	-1	-1	1	0	0	0	1	0	0	0	0	0	1	0	0	0	0	0	-1	-22	3	3	2	2	-1	NA	-10.5	11.22	-3.52	0	-10.94	-0.18	0	-0.36	-0.18	-0.18	0.18	0	0	0	0.18	0	0	0	0	0	0.18	0	0	0	0	0	-0.18	-3.94	0.56	0.56	0.37	0.37	-0.18
Hautes-Pyrénées	65	499	498	495	491	489	484	488	480	479	479	480	480	480	480	480	480	480	480	480	480	480	480	480	480	481	481	481	479	474	474	474	474	474	469	178611	198763	212088	233031	244170	244196	251285	250934	245856	239805	239120	128795	238037	236474	234825	225861	218973	215546	209397	206095	185760	187875	189993	188604	201954	203544	211433	225730	227222	227922	224759	222368	229670	NA	NA	-1	-3	-4	-2	-5	4	-8	-1	0	1	0	0	0	0	0	0	0	0	0	0	0	0	0	1	0	0	-2	-5	0	0	0	0	-5	NA	-0.2	-0.6	-0.81	-0.41	-1.02	0.83	-1.64	-0.21	0	0.21	0	0	0	0	0	0	0	0	0	0	0	0	0	0.21	0	0	-0.42	-1.04	0	0	0	0	-1.05
Pyrénées-Orientales	66	248	248	248	226	226	227	227	228	229	230	231	231	231	231	231	232	232	232	232	232	232	233	234	234	233	233	233	232	221	221	226	226	226	226	110732	126626	143054	157052	164304	170679	180089	181941	183037	181681	189431	191745	197930	208855	211187	210125	208387	212121	213171	212986	217503	229979	238647	233347	228776	230287	251231	281976	299506	334557	363796	392803	445890	NA	NA	0	0	-22	0	1	0	1	1	1	1	0	0	0	0	1	0	0	0	0	0	1	1	0	-1	0	0	-1	-11	0	5	0	0	0	NA	0	0	-8.87	0	0.44	0	0.44	0.44	0.44	0.43	0	0	0	0	0.43	0	0	0	0	0	0.43	0.43	0	-0.43	0	0	-0.43	-4.74	0	2.26	0	0	0
Bas-Rhin	67	561	561	558	560	560	560	559	560	560	559	558	559	559	559	559	560	560	560	560	560	560	560	561	561	560	560	560	560	519	520	522	526	527	514	410030	453539	517452	557535	580590	579085	598862	605833	581827	596994	607642	599189	596950	610823	611267	620481	637548	658374	685631	699600	650710	669981	687299	710920	672478	707166	769351	826605	882121	915676	953053	1026120	1094439	NA	NA	0	-3	2	0	0	-1	1	0	-1	-1	1	0	0	0	1	0	0	0	0	0	0	1	0	-1	0	0	0	-41	1	2	4	1	-13	NA	0	-0.53	0.36	0	0	-0.18	0.18	0	-0.18	-0.18	0.18	0	0	0	0.18	0	0	0	0	0	0	0.18	0	-0.18	0	0	0	-7.32	0.19	0.38	0.77	0.19	-2.47
Haut-Rhin	68	380	383	383	383	383	384	384	384	384	384	384	386	386	386	386	386	386	386	386	386	385	385	386	386	386	384	384	384	378	377	377	377	377	366	266001	296429	325481	375807	394535	409102	431182	436744	445436	459454	473314	459298	453850	461942	462549	471609	477477	495210	512080	517865	468943	490654	516726	507551	471705	509647	547920	585019	635209	650372	671319	708025	748614	NA	NA	3	0	0	0	1	0	0	0	0	0	2	0	0	0	0	0	0	0	0	-1	0	1	0	0	-2	0	0	-6	-1	0	0	0	-11	NA	0.79	0	0	0	0.26	0	0	0	0	0	0.52	0	0	0	0	0	0	0	0	-0.26	0	0.26	0	0	-0.52	0	0	-1.56	-0.26	0	0	0	-2.92
Rhône	69	292	292	285	285	285	286	288	290	285	286	287	292	292	292	294	296	296	297	297	298	298	298	299	299	299	299	299	297	293	293	293	293	293	267	324474	368504	422498	484879	517305	535399	579421	611131	656223	699307	714986	706270	738024	772795	806248	837524	870396	874855	890074	947029	986202	1029098	1089568	1070026	959052	1015681	1181597	1326383	1429647	1445208	1508966	1578869	1708671	NA	NA	0	-7	0	0	1	2	2	-5	1	1	5	0	0	2	2	0	1	0	1	0	0	1	0	0	0	0	-2	-4	0	0	0	0	-26	NA	0	-2.4	0	0	0.35	0.7	0.69	-1.72	0.35	0.35	1.74	0	0	0.68	0.68	0	0.34	0	0.34	0	0	0.34	0	0	0	0	-0.67	-1.35	0	0	0	0	-8.87
Haute-Saône	70	641	630	584	583	582	582	584	584	584	584	584	584	584	584	584	584	584	584	584	584	584	584	584	584	584	584	584	581	544	545	546	545	546	540	288961	301048	308400	343464	343993	348036	345452	348124	312950	317724	318228	303604	304524	296361	291401	281300	273296	266991	264241	257945	228618	226567	219480	213064	202830	209529	208639	214385	222254	231962	229650	229732	239278	NA	NA	-11	-46	-1	-1	0	2	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-3	-37	1	1	-1	1	-6	NA	-1.72	-7.3	-0.17	-0.17	0	0.34	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-0.51	-6.37	0.18	0.18	-0.18	0.18	-1.1
Saône-et-Loire	71	609	607	602	576	575	575	574	574	576	577	577	580	589	589	589	590	589	589	589	589	589	589	589	590	590	590	589	586	571	573	574	573	573	565	452656	471457	498687	516696	536555	551587	564514	575154	571735	580869	598590	595714	614309	625589	625885	618523	621237	620360	613177	604445	554816	549240	538741	525676	506750	511182	535772	550362	569810	571852	559413	544893	554720	NA	NA	-2	-5	-26	-1	0	-1	0	2	1	0	3	9	0	0	1	-1	0	0	0	0	0	0	1	0	0	-1	-3	-15	2	1	-1	0	-8	NA	-0.33	-0.82	-4.32	-0.17	0	-0.17	0	0.35	0.17	0	0.52	1.55	0	0	0.17	-0.17	0	0	0	0	0	0	0.17	0	0	-0.17	-0.51	-2.56	0.35	0.17	-0.17	0	-1.4
Sarthe	72	413	413	393	393	394	391	391	391	389	389	386	386	386	387	385	386	386	386	386	386	386	386	386	386	386	386	386	376	376	375	375	375	375	354	388046	410380	428065	457362	466888	470524	474876	473071	467193	466155	463619	446603	446239	438917	436111	429737	425077	422699	421470	419370	389235	387482	384619	388519	412214	420393	443019	461839	490385	504768	513654	529851	561050	NA	NA	0	-20	0	1	-3	0	0	-2	0	-3	0	0	1	-2	1	0	0	0	0	0	0	0	0	0	0	0	-10	0	-1	0	0	0	-21	NA	0	-4.84	0	0.25	-0.76	0	0	-0.51	0	-0.77	0	0	0.26	-0.52	0.26	0	0	0	0	0	0	0	0	0	0	0	-2.59	0	-0.27	0	0	0	-5.6
Savoie	73	326	326	326	326	325	325	325	325	325	325	326	327	327	328	328	328	329	329	330	330	330	330	330	330	330	330	328	324	304	304	305	305	305	273	223406	242649	264108	0	292412	0	280973	0	275725	274864	271114	268030	268361	266438	267428	263297	259790	254781	253297	247890	225234	231210	235544	239010	236119	252192	266678	288921	305118	323675	348261	373258	411007	NA	NA	0	0	0	-1	0	0	0	0	0	1	1	0	1	0	0	1	0	1	0	0	0	0	0	0	0	-2	-4	-20	0	1	0	0	-32	NA	0	0	0	-0.31	0	0	0	0	0	0.31	0.31	0	0.31	0	0	0.3	0	0.3	0	0	0	0	0	0	0	-0.61	-1.22	-6.17	0	0.33	0	0	-10.49
Haute-Savoie	74	309	309	303	302	306	316	306	273	306	309	310	313	314	314	314	314	314	314	314	314	315	315	315	315	315	315	314	307	291	292	292	293	293	278	194425	202661	233632	0	269601	0	283847	0	265529	265447	273536	273112	273801	274087	275018	268267	265872	263803	260617	255137	235568	245317	252794	259961	270564	293854	329230	378550	447795	494505	568286	631679	724795	NA	NA	0	-6	-1	4	10	-10	-33	33	3	1	3	1	0	0	0	0	0	0	0	1	0	0	0	0	0	-1	-7	-16	1	0	1	0	-15	NA	0	-1.94	-0.33	1.32	3.27	-3.16	-10.78	12.09	0.98	0.32	0.97	0.32	0	0	0	0	0	0	0	0.32	0	0	0	0	0	-0.32	-2.23	-5.21	0.34	0	0.34	0	-5.12
Paris	75	10	10	10	12	12	12	12	12	12	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	2	2	559209	662015	677865	834655	981846	1032732	1188377	1233635	1467530	1696141	1825274	1851792	1988806	2269023	2344550	2447957	2536834	2714068	2763393	2888110	2906472	2871429	2891020	2829746	2725374	2850189	2790091	2590771	2299830	2176243	2152423	2125246	2262949	NA	NA	0	0	2	0	0	0	0	0	-11	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	1	0	NA	0	0	20	0	0	0	0	0	-91.67	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	100	0
Seine-Maritime	76	988	988	933	761	759	758	758	759	759	758	755	758	758	758	758	758	759	759	759	759	758	758	758	758	758	757	756	752	745	745	745	745	744	706	630661	642362	637071	693777	711678	730114	749805	763681	760664	788854	769196	815817	798146	813809	833156	839645	837599	853633	863669	877176	880481	885106	905098	915444	845945	941474	1035661	1113808	1172743	1193108	1223429	1239138	1249907	NA	NA	0	-55	-172	-2	-1	0	1	0	-1	-3	3	0	0	0	0	1	0	0	0	-1	0	0	0	0	-1	-1	-4	-7	0	0	0	-1	-38	NA	0	-5.57	-18.44	-0.26	-0.13	0	0.13	0	-0.13	-0.4	0.4	0	0	0	0	0.13	0	0	0	-0.13	0	0	0	0	-0.13	-0.13	-0.53	-0.93	0	0	0	-0.13	-5.11
Seine-et-Marne	77	561	560	556	556	555	529	527	527	527	527	528	529	530	530	530	530	530	530	533	533	534	534	534	534	534	533	533	531	514	514	514	514	514	507	299140	304068	302907	323394	326174	333088	340363	344840	341553	352408	354267	341661	347323	348991	355136	356709	359034	358325	361939	363561	349234	380017	406108	409311	407137	453438	524486	604342	755762	887112	1078166	1193767	1313414	NA	NA	-1	-4	0	-1	-26	-2	0	0	0	1	1	1	0	0	0	0	0	3	0	1	0	0	0	0	-1	0	-2	-17	0	0	0	0	-7	NA	-0.18	-0.71	0	-0.18	-4.68	-0.38	0	0	0	0.19	0.19	0.19	0	0	0	0	0	0.57	0	0.19	0	0	0	0	-0.19	0	-0.38	-3.2	0	0	0	0	-1.36
Yvelines	78	267	267	265	265	265	265	265	265	265	265	264	265	265	265	266	266	266	266	266	266	266	266	265	265	265	265	263	262	262	262	262	262	262	259	182493	186038	185312	190656	191668	203797	204803	201955	207244	218368	222880	251157	235511	236471	247910	250552	263462	270228	277753	297562	321240	367267	408282	427078	431616	519176	687827	854382	1082255	1196111	1307150	1354304	1407560	NA	NA	0	-2	0	0	0	0	0	0	0	-1	1	0	0	1	0	0	0	0	0	0	0	-1	0	0	0	-2	-1	0	0	0	0	0	-3	NA	0	-0.75	0	0	0	0	0	0	0	-0.38	0.38	0	0	0.38	0	0	0	0	0	0	0	-0.38	0	0	0	-0.75	-0.38	0	0	0	0	0	-1.15
Deux-Sèvres	79	364	364	364	355	354	354	354	354	354	354	355	355	355	355	354	353	353	353	355	355	356	356	356	356	356	356	356	351	302	303	307	308	305	256	240991	252727	279174	294289	303478	309598	320059	322999	327140	327583	331699	330550	335884	349345	352988	353489	345932	341696	338728	336903	309356	309100	308138	308122	312038	312032	320316	325603	335829	342812	345965	344392	366339	NA	NA	0	0	-9	-1	0	0	0	0	0	1	0	0	0	-1	-1	0	0	2	0	1	0	0	0	0	0	0	-5	-49	1	4	1	-3	-49	NA	0	0	-2.47	-0.28	0	0	0	0	0	0.28	0	0	0	-0.28	-0.28	0	0	0.57	0	0.28	0	0	0	0	0	0	-1.4	-13.96	0.33	1.32	0.33	-0.97	-16.07
Somme	80	845	844	841	833	832	830	829	830	830	830	831	831	833	834	834	834	834	834	834	834	834	834	833	833	833	833	833	817	783	783	783	783	787	777	457465	493791	507870	541477	550859	558213	568446	569082	565447	571058	571042	555594	555263	549515	547721	545365	542158	536773	531541	518961	451887	473105	465842	466750	440717	463519	487524	511491	538462	544570	547825	555551	572024	NA	NA	-1	-3	-8	-1	-2	-1	1	0	0	1	0	2	1	0	0	0	0	0	0	0	0	-1	0	0	0	0	-16	-34	0	0	0	4	-10	NA	-0.12	-0.36	-0.95	-0.12	-0.24	-0.12	0.12	0	0	0.12	0	0.24	0.12	0	0	0	0	0	0	0	0	-0.12	0	0	0	0	-1.92	-4.16	0	0	0	0.51	-1.27
Tarn	81	365	365	362	326	323	319	315	315	316	316	316	317	318	318	318	320	320	321	322	323	323	323	324	324	325	326	326	326	324	324	324	324	324	315	271980	295885	290467	334834	346614	351656	360679	363073	354832	353633	355513	352718	359232	359223	358757	347739	339827	332093	330533	324090	295588	301717	302994	297871	298117	308197	319560	332011	338024	339345	342723	343402	377157	NA	NA	0	-3	-36	-3	-4	-4	0	1	0	0	1	1	0	0	2	0	1	1	1	0	0	1	0	1	1	0	0	-2	0	0	0	0	-9	NA	0	-0.82	-9.94	-0.92	-1.24	-1.25	0	0.32	0	0	0.32	0.32	0	0	0.63	0	0.31	0.31	0.31	0	0	0.31	0	0.31	0.31	0	0	-0.61	0	0	0	0	-2.78
Tarn-et-Garonne	82	249	213	198	191	192	192	192	192	193	193	194	194	194	194	194	194	194	195	195	195	195	195	195	195	195	195	195	195	195	195	195	195	198	198	219530	230524	238183	242250	242688	239313	242307	237810	234842	232551	228800	221610	221364	217056	214046	206596	200390	195669	188553	182537	159559	164191	164259	164629	167664	172379	175847	183572	183314	190485	200220	206034	240663	NA	NA	-36	-15	-7	1	0	0	0	1	0	1	0	0	0	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	3	0	NA	-14.46	-7.04	-3.54	0.52	0	0	0	0.52	0	0.52	0	0	0	0	0	0	0.52	0	0	0	0	0	0	0	0	0	0	0	0	0	0	1.54	0
Var	83	148	147	147	149	147	143	142	142	143	143	144	145	145	145	145	145	147	148	148	148	149	149	150	151	151	153	154	154	153	153	153	153	153	153	217447	227215	243759	257953	256685	261769	284732	290240	306225	315284	308500	299534	295763	288577	283689	288336	309191	326684	324638	330755	322945	347932	377104	398662	370688	413012	469557	555926	626093	708331	815449	898441	1007303	NA	NA	-1	0	2	-2	-4	-1	0	1	0	1	1	0	0	0	0	2	1	0	0	1	0	1	1	0	2	1	0	-1	0	0	0	0	0	NA	-0.68	0	1.36	-1.34	-2.72	-0.7	0	0.7	0	0.7	0.69	0	0	0	0	1.38	0.68	0	0	0.68	0	0.67	0.67	0	1.32	0.65	0	-0.65	0	0	0	0	0
Vaucluse	84	150	150	148	148	148	148	149	149	149	149	149	150	150	150	150	150	150	150	150	150	150	151	151	151	151	151	151	151	151	151	151	151	151	151	191421	205832	224431	239113	246071	251080	259154	264618	268994	268237	266091	263451	255703	244149	241787	235411	236313	236949	239178	238656	219602	230549	241689	245508	249838	268318	303536	353966	390446	427343	467075	499685	540065	NA	NA	0	-2	0	0	0	1	0	0	0	0	1	0	0	0	0	0	0	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	NA	0	-1.33	0	0	0	0.68	0	0	0	0	0.67	0	0	0	0	0	0	0	0	0	0.67	0	0	0	0	0	0	0	0	0	0	0	0
Vendée	85	315	321	319	297	294	294	294	296	297	298	298	298	299	299	300	301	303	303	304	304	306	306	306	306	306	307	307	296	281	282	283	283	292	259	243420	268646	316587	330350	341011	352222	376184	383734	389683	395695	404473	401446	411740	421633	434808	442355	441735	441311	442777	438520	397292	395602	390396	389211	393784	395641	408928	421250	450641	483027	509356	539664	653359	NA	NA	6	-2	-22	-3	0	0	2	1	1	0	0	1	0	1	1	2	0	1	0	2	0	0	0	0	1	0	-11	-15	1	1	0	9	-33	NA	1.9	-0.62	-6.9	-1.01	0	0	0.68	0.34	0.34	0	0	0.34	0	0.33	0.33	0.66	0	0.33	0	0.66	0	0	0	0	0.33	0	-3.58	-5.07	0.36	0.35	0	3.18	-11.3
Vienne	86	343	345	306	300	300	299	298	296	296	296	296	300	300	300	300	300	300	300	300	300	300	300	300	300	298	298	298	297	274	281	281	281	281	266	240920	253048	260636	282631	288002	291016	308391	317305	322585	322028	324527	320594	330916	340295	342785	344355	338114	336343	333622	332277	306248	310474	303072	306820	313932	319208	331619	340256	357366	371428	379977	399024	426066	NA	NA	2	-39	-6	0	-1	-1	-2	0	0	0	4	0	0	0	0	0	0	0	0	0	0	0	0	-2	0	0	-1	-23	7	0	0	0	-15	NA	0.58	-11.3	-1.96	0	-0.33	-0.33	-0.67	0	0	0	1.35	0	0	0	0	0	0	0	0	0	0	0	0	-0.67	0	0	-0.34	-7.74	2.55	0	0	0	-5.34
Haute-Vienne	87	211	195	221	201	199	199	199	199	199	200	200	202	203	203	203	203	203	203	205	205	205	205	206	206	206	206	205	205	201	201	201	201	201	195	245145	243195	272330	285033	292984	292848	314513	319197	319788	320075	326037	322500	336061	349332	363182	372878	375724	381753	385732	384736	350235	351311	335873	333589	336313	324429	332514	341589	352149	355737	353593	353893	374849	NA	NA	-16	26	-20	-2	0	0	0	0	1	0	2	1	0	0	0	0	0	2	0	0	0	1	0	0	0	-1	0	-4	0	0	0	0	-6	NA	-7.58	13.33	-9.05	-1	0	0	0	0	0.5	0	1	0.5	0	0	0	0	0	0.99	0	0	0	0.49	0	0	0	-0.49	0	-1.95	0	0	0	0	-2.99
Vosges	88	532	532	531	532	531	530	528	528	530	530	530	530	531	530	530	530	531	531	530	530	531	531	531	532	531	531	531	522	517	516	516	515	515	507	295475	319681	341373	378824	390091	396737	406876	0	385650	394644	396868	154360	407082	406862	413707	410196	421412	421104	429812	433914	383684	382100	377980	376926	342315	372523	380676	388201	397957	395769	386258	380952	380192	NA	NA	0	-1	1	-1	-1	-2	0	2	0	0	0	1	-1	0	0	1	0	-1	0	1	0	0	1	-1	0	0	-9	-5	-1	0	-1	0	-8	NA	0	-0.19	0.19	-0.19	-0.19	-0.38	0	0.38	0	0	0	0.19	-0.19	0	0	0.19	0	-0.19	0	0.19	0	0	0.19	-0.19	0	0	-1.69	-0.96	-0.19	0	-0.19	0	-1.55
Yonne	89	481	481	481	481	481	482	482	482	482	483	485	485	485	485	485	486	486	486	486	486	486	486	486	486	485	484	484	482	439	450	451	453	455	423	323727	325994	333905	353088	355437	361677	373624	379785	368131	370402	372131	362855	359070	357029	355364	344688	332656	321062	315179	303889	273118	277230	275755	271685	266014	266410	269826	283376	299851	311019	323096	333221	343377	NA	NA	0	0	0	0	1	0	0	0	1	2	0	0	0	0	1	0	0	0	0	0	0	0	0	-1	-1	0	-2	-43	11	1	2	2	-32	NA	0	0	0	0	0.21	0	0	0	0.21	0.41	0	0	0	0	0.21	0	0	0	0	0	0	0	0	-0.21	-0.21	0	-0.41	-8.92	2.51	0.22	0.44	0.44	-7.03
Territoire de Belfort	90	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	106	99	101	101	102	102	101	37772	40511	44681	50785	52275	53215	56026	57345	54011	56336	56915	56781	68600	74244	79758	83670	88047	92304	95421	101386	94338	96594	99403	99497	86648	99427	109371	118450	128125	131999	134097	137408	142461	NA	NA	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-7	2	0	1	0	-1	NA	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	-6.6	2.02	0	0.99	0	-0.98
Essonne	91	199	199	197	197	197	196	196	196	196	196	196	196	196	196	197	198	198	198	198	198	198	198	198	198	198	197	196	196	196	196	196	196	196	194	110593	113696	110431	118237	118680	120529	122496	123601	123295	127803	130485	131548	135919	140035	147693	151734	159506	164625	169659	177216	187193	228021	271102	286903	294878	350992	478862	673485	923063	988000	1084824	1134238	1208004	NA	NA	0	-2	0	0	-1	0	0	0	0	0	0	0	0	1	1	0	0	0	0	0	0	0	0	0	-1	-1	0	0	0	0	0	0	-2	NA	0	-1.01	0	0	-0.51	0	0	0	0	0	0	0	0	0.51	0.51	0	0	0	0	0	0	0	0	0	-0.51	-0.51	0	0	0	0	0	0	-1.02
Hauts-de-Seine	92	31	31	31	31	31	31	31	31	31	31	32	32	32	32	33	33	34	34	34	35	35	35	36	36	36	36	36	36	36	36	36	36	36	36	36460	38665	41979	57437	66364	76306	88476	96625	126392	139197	175018	193308	208482	254928	293386	332076	386737	467391	529496	614862	724261	820716	949231	1019627	992859	1118020	1381805	1461619	1438930	1387039	1391658	1428881	1561745	NA	NA	0	0	0	0	0	0	0	0	0	1	0	0	0	1	0	1	0	0	1	0	0	1	0	0	0	0	0	0	0	0	0	0	0	NA	0	0	0	0	0	0	0	0	0	3.23	0	0	0	3.12	0	3.03	0	0	2.94	0	0	2.86	0	0	0	0	0	0	0	0	0	0	0
Seine-Saint-Denis	93	36	36	36	36	36	36	36	36	36	36	36	38	38	38	38	38	39	39	40	40	40	40	40	40	40	40	40	40	40	40	40	40	40	40	28901	29370	29438	38391	39494	44154	45023	48067	56237	78236	100317	120954	138099	180412	207901	230992	262735	307329	349545	411443	504956	635806	769315	776395	729361	845231	1083724	1249606	1322127	1324301	1381197	1382861	1515983	NA	NA	0	0	0	0	0	0	0	0	0	0	2	0	0	0	0	1	0	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	NA	0	0	0	0	0	0	0	0	0	0	5.56	0	0	0	0	2.63	0	2.56	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Val-de-Marne	94	42	42	42	42	42	42	42	42	42	42	42	42	42	42	43	44	45	46	46	46	46	47	47	47	47	47	47	47	47	47	47	47	47	47	33471	30880	31801	44956	53581	59067	68014	70085	90810	90916	106836	120523	136612	161619	194938	213718	246363	288891	330320	386085	462212	559882	657334	685297	672037	767543	974962	1121319	1215713	1193655	1215538	1227250	1318537	NA	NA	0	0	0	0	0	0	0	0	0	0	0	0	0	1	1	1	1	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	NA	0	0	0	0	0	0	0	0	0	0	0	0	0	2.38	2.33	2.27	2.22	0	0	0	2.17	0	0	0	0	0	0	0	0	0	0	0	0
Val-d’Oise	95	188	186	186	187	186	183	183	184	184	183	184	185	185	185	185	185	185	185	185	185	185	186	186	186	186	187	185	185	185	185	185	185	185	184	102252	103387	101148	107645	105530	106368	107503	107008	108751	116265	122975	122052	129655	134859	143028	143387	154118	164962	178444	196599	227220	283256	353374	350487	344687	412658	548429	693269	840885	920598	1049598	1105464	1168892	NA	NA	-2	0	1	-1	-3	0	1	0	-1	1	1	0	0	0	0	0	0	0	0	0	1	0	0	0	1	-2	0	0	0	0	0	0	-1	NA	-1.06	0	0.54	-0.53	-1.61	0	0.55	0	-0.54	0.55	0.54	0	0	0	0	0	0	0	0	0	0.54	0	0	0	0.54	-1.07	0	0	0	0	0	0	-0.54

rm(evol_deps_affichage, nbr_col)

4.1.2 Ajout de la France entière

cassini_reduite <- cassini
nom_dep <- "France entière"


evol_nbr_com_reduit <- data.frame() # Création d'un objet pour récupérer les résultats de la base réduite


# Boucle pour exploiter les données date par date
  for (label in labels_data_pop) {
    annee <- substr(label, start =5, stop = nchar(label)-5) # On repère le n° de l'année en segmentant le label
    sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop" | cassini_reduite[, label] == "lac." | cassini_reduite[, label] == "abs.") # On crée un sous-tableau comptant uniquement les communes dont la population nous intéresse, à l'année donnée
    # sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop") # Juste avec les populations connues
    nbr_com_reduit <- nrow(sous_tableau_reduit) # On compte le nombre de communes
    pop_annee_dep <- sum(as.numeric(sous_tableau_reduit[, paste0("pop_", annee, "_val")]), na.rm=TRUE)
    i_reduit <- c(annee, nbr_com_reduit, pop_annee_dep) # On compile les résultats totaux
    evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_reduit, stringsAsFactors = FALSE)
  }
  
  # On traite à la main les deux années 2011 et 2021
  # Pour 2011, on fait la liste des CODGEO unique de 2021 et on multiplie par leur nombre de communes fusionnantes (donne le nombre de communes en 2011) 
  # Pas très propre mais pas l'énergie de faire mieux là...
  CODGEO_2021_reduit <- as.data.frame(unique(cassini_reduite$commune_mars_2021))
  colnames(CODGEO_2021_reduit) <- "CODGEO_new"
  # On joint pour avoir le nombre de communes fusionnantes
  CODGEO_2021_reduit <- merge(df_new[c("CODGEO_new", "NbrComFus", "P09_POP")], CODGEO_2021_reduit, by = "CODGEO_new", all.y = TRUE)
  # Pour les communes non fusionnantes, on indique qu'il y en a une
  CODGEO_2021_reduit$NbrComFus[is.na(CODGEO_2021_reduit$NbrComFus)] <- 1
  
  i_2011_reduit <- c(2011, sum(CODGEO_2021_reduit$NbrComFus), sum(CODGEO_2021_reduit$P09_POP))
  evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2011_reduit)
  
  
  # Pour 2021, on liste simplement le nombre de CODGEO uniques de 2021 pour chacun des groupe
  i_2021_reduit <- c(2021, length(unique(cassini_reduite$commune_mars_2021)), NA)
  
  evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2021_reduit)
  
  colnames (evol_nbr_com_reduit) <- c("annees", "nbr_com", "population")
  
  evol_nbr_com <- evol_nbr_com_reduit
  
  # evol_nbr_com[c(1,2), 1] <- c(1795, 1800) # On modifie l'intitulé pour faciliter la représentation graphique
  # Est désormais fait plus haut
  # evol_nbr_com$annees[evol_nbr_com$annees == "an3"] <- 1795 
  # evol_nbr_com$annees[evol_nbr_com$annees == "an8"] <- 1800
  
  evol_nbr_com[,1] <- as.numeric(evol_nbr_com[,1]) # On passe en numérique pour faciliter la représentation
  evol_nbr_com[,2] <- as.numeric(evol_nbr_com[,2]) # Si on veut faire une seule colonne
  evol_nbr_com[,3] <- as.numeric(evol_nbr_com[,3]) # Si on veut faire une seule colonne
  
  
  # Calcul de l'évolution en valeur absolue du nombre de commune dans le département
  evol_nbr_com$evol <- evol_nbr_com$nbr_com - lag(evol_nbr_com$nbr_com)
  
  # Calcul du taux d'évolution
  evol_nbr_com$tx_evol <- round(100 * (evol_nbr_com$nbr_com - lag(evol_nbr_com$nbr_com)) / lag(evol_nbr_com$nbr_com), 2)
  
  # On compile les résultats du département en question
  departement <- c(nom_dep, "", evol_nbr_com$nbr_com, evol_nbr_com$population, evol_nbr_com$evol, evol_nbr_com$tx_evol)
  # On ajoute ces résultats dans le tableau global
  evol_deps <- rbind (evol_deps, departement, stringsAsFactors = FALSE)

# ggplot(data=evol_nbr_com, aes(x=annees, y=nbr_com)) +
#   geom_line() +
#   scale_x_continuous (breaks = seq(1780, 2030, 20)) +
#   labs(title="Évolution du nombre de communes en Aveyron", subtitle="1795-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")

4.1.3 Graphique en base 100

# Création d'un tableau en base 100 en 1800
nbr_col_select <- length(labels_data_pop)+2+2 # Indique la dernière colonne à sélectionner : nombre de recensements dans la base Cassini, + deux colonnes au début du tableau, + 2011 et 2021.
evol_deps[3:nbr_col_select] <- apply(evol_deps [, 3:nbr_col_select], 2, as.numeric)
evol_deps_100 <- evol_deps [, 1:nbr_col_select]
evol_deps_100[3:nbr_col_select] <- 100 * evol_deps_100[3:nbr_col_select] / evol_deps_100$`1800`

# On change le tableau de sens (inversion lignes/colonnes) pour faciliter l'exploitation
pr_graph <- as.data.frame(t(evol_deps_100))
# On met le nom des départements en nom de colonne
colnames(pr_graph) <- pr_graph[1,]
pr_graph <- pr_graph [3:nrow(pr_graph),]
# On met la date dans une colonne à part
pr_graph$Date <- row.names(pr_graph)
# Pour avoir un graphique complètement exploitable, on change la forme des données
pr_graph <- melt(pr_graph, id.vars = "Date")
pr_graph$Date <- as.numeric(pr_graph$Date)
pr_graph$value <- as.numeric(pr_graph$value)

ggplot(data=pr_graph, aes(x=Date, y = value)) +
  geom_line(aes(color = variable)) +
  scale_x_continuous (breaks = seq(1780, 2030, 20)) + 
  labs(title= "Communes par départements (base 100 = 1800)", subtitle="1800-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")

Quelques départements connaissent des trajectoires assez hachées laissant penser à des problèmes de comptabilisation :

• Côte-d’Or (21), qui perd presque 250 communes en 1836 (et les regagne ensuite) ;

• Oise (60) avec une forte baisse en 1831.

• Haute-Vienne (87) avec une forte baisse en 1820)

[Ci-dessous, remarques avant que la mention “abs.” soit prise en compte pour comptabiliser les communes] Pour certains départements, les fluctuations paraissent particulièrement brutales voire carrément incohérentes, par exemple lorsque d’un recensement sur l’autre on passe de plusieurs centaines de communes à… zéro.

Nécessité de regarder en détail les données des départements suivants :

• Alpes-Maritimes (06) qui fait le yoyo ;

• Charente (16) et la Loire-Atlantique qui n’ont aucune commune en 1836 mais stable avant et après ;

• Côte-d’Or (21), qui perd presque 250 communes en 1836 (et les regagne ensuite) ;

• Meurthe-et-Moselle (54) et Moselle (57) : évolutions très hachées ;

• Orne (61) : n’a plus que 100 communes en 1831 et les regagne après ;

• Savoie (73) et Haute-Savoie (74) : n’ont aucune commune en 1831, 1841 et 1851 (absence de transposition de recensements non français ?) ;

• Vosges (88) : bizareries en 1851 (plus de communes) et 1872 (seulement une cinquantaine).

4.2 Départements par phase : cartographie du nombre de communes

# Phases envisagées au départ par Nicolas Verdier :
# 1790-1837, 1838-1884, puis 1885-1970, puis 1970-2000, puis 2000-2023

# Phases retenues du fait des données par recensement :

evol_deps$evol_1800_1836 <- evol_deps$`1836` - evol_deps$`1800`
evol_deps$evol_1836_1886 <- evol_deps$`1886` - evol_deps$`1836`
evol_deps$evol_1886_1968 <- evol_deps$`1968` - evol_deps$`1886`
evol_deps$evol_1968_1999 <- evol_deps$`1999` - evol_deps$`1968`
evol_deps$evol_1999_2021 <- evol_deps$`2021` - evol_deps$`1999`

evol_deps$tx_evol_1800_1836 <- round(100 * (evol_deps$`1836` - evol_deps$`1800`) / evol_deps$`1800`, 2)
evol_deps$tx_evol_1836_1886 <- round(100 * (evol_deps$`1886` - evol_deps$`1836`) / evol_deps$`1836`, 2)
evol_deps$tx_evol_1886_1968 <- round(100 * (evol_deps$`1968` - evol_deps$`1886`) / evol_deps$`1886`, 2)
evol_deps$tx_evol_1968_1999 <- round(100 * (evol_deps$`1999` - evol_deps$`1968`) / evol_deps$`1968`, 2)
evol_deps$tx_evol_1999_2021 <- round(100 * (evol_deps$`2021` - evol_deps$`1999`) / evol_deps$`1999`, 2)

# colnames(evol_deps)

phases <- c("evol_1800_1836", "evol_1836_1886", "evol_1886_1968", "evol_1968_1999", "evol_1999_2021")
date_phases <- paste0(substr (phases, start = 6, stop = 9), "-", substr (phases, start = 11, stop = 14))

phase <- phases[1]

ShpDep_IdF <- subset (ShpDep, ShpDep$CODE_DEPT == "75" | ShpDep$CODE_DEPT == "77" | ShpDep$CODE_DEPT == "78" | ShpDep$CODE_DEPT == "91" |
                        ShpDep$CODE_DEPT == "92" | ShpDep$CODE_DEPT == "93" | ShpDep$CODE_DEPT == "94" | ShpDep$CODE_DEPT == "95")

for (phase in phases) {
  date_phase <- paste0(substr(phase, start = 6, stop = 9), "-", substr(phase, start = 11, stop = 14))
  
  # On extrait les données à la phase voulue pour simplifier la cartographie
  pr_carte <- evol_deps[, c("Département", "CODE_DEPT", phase, paste0("tx_", phase))]
  colnames(pr_carte) <- c("Département", "CODE_DEPT", "evol_abs", "tx_evol")
  
  
  # Carte départementale présentant l'évolution du nombre de communes

    # Si on veut exporter (remettre dev.off en fin de séquence)
  # svg(paste0("figures/Evol nombre de communes par départements (", date_phases, ", taux).svg"))
  
  plot(ShpDep, col = "grey", border = "white", axes = FALSE) # Fond de carte
  # Carte choroplèthe en fonction de la superficie moyenne des communes dans le département
  
  choroLayer(spdf = ShpDep, # SpatialPolygonsDataFrame
             df = pr_carte, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "tx_evol",
             # Si on souhaite faire les groupes manuellement :
             breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 6,
             add=TRUE,
             legend.pos = "topleft", 
             legend.title.txt = "Taux d'évolution du\nnombre de communes\nsur la période")
  
    layoutLayer(title = paste0("Évolution du nombre de communes par départements (", date_phase, ")"), coltitle = "black",
              sources = "Sources : INSEE, IGN, Cassini.", scale = NULL,
              author = "G. Bideau", frame ="", col = NA)
  
    # Ajout d'un carton pour la région parisienne
    # Page claire pour aider sur la représentation graphique : https://sites.google.com/site/rgraphiques/realiser-des-graphiques-avec-le-logiciel-r/g%C3%A9rer-les-graphiques-combinaisons-forme-et-sauvegarde/combinaisons-graphiques
    par(new = TRUE)
    par(fig=c(0.6, 0.9, 0.05, 0.25)) # On indique où placer le carton
    par(mar = c(0, 0, 0, 0)) # On réduit les marges au maximum
    # par(mar = c(5.1, 4.1, 4.1, 2.1)) # Marges par défaut
    plot(ShpDep_IdF, col = "grey", border = "white", axes = FALSE)
    
      choroLayer(spdf = ShpDep_IdF, # SpatialPolygonsDataFrame
             df = pr_carte, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "tx_evol",
             # Si on souhaite faire les groupes manuellement :
             breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 6,
             add=TRUE,
             legend.pos = "n", 
             legend.title.txt = "Taux d'évolution du\nnombre de communes\nsur la période")
      
      # dev.off()
    par(fig=c(0, 1, 0, 1)) # On reprend les données initiales
    par(mar = c(5.1, 4.1, 4.1, 2.1)) # Et les marges

  # Carte départementale présentant l'évolution du nombre de communes en valeur absolue
  
  # Création d'un champs adapté pour la cartographie
    pr_carte$evol_abs_negatif <- 0 -pr_carte$evol_abs
    pr_carte$evol_abs_negatif[pr_carte$evol_abs_negatif < 0] <- NA
      
  # Si on veut exporter (remettre dev.off en fin de séquence)
  # svg(paste0("figures/Evol nombre de communes par départements (", date_phases, ", valeurs absolues).svg"))
  
  plot(ShpDep, col = "grey", border = "white", axes = FALSE) # Fond de carte
  # Carte choroplèthe en fonction de la superficie moyenne des communes dans le département
  
  choroLayer(spdf = ShpDep, # SpatialPolygonsDataFrame
             df = pr_carte, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "tx_evol",
             # Si on souhaite faire les groupes manuellement :
             breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 6,
             add=TRUE,
             legend.pos = "topleft", 
             legend.title.txt = "Taux d'évolution")
  
  # On rajoute les cercles en fonction de l'évolution en valeur absolue
  propSymbolsLayer(spdf = ShpDep,
                   df = pr_carte,
                   spdfid = "CODE_DEPT",
                   dfid = "CODE_DEPT",
                   var = "evol_abs_negatif",
                   inches = 0.2,
                   fixmax = 500,
                   # breakval = 0, # On précise une valeur tournant
                   symbols = "circle",
                   col = "blue",
                   # col2 = "red",
                   legend.pos = "left",
                   legend.title.txt = "\n\n\n\n\n\nNombre de communes\nsupprimées",
                   legend.style = "c",
                   legend.frame = FALSE,
                   add = TRUE)
  layoutLayer(title = paste0("Évolution du nombre de communes par départements (", date_phase, ")"), coltitle = "black",
              sources = "Sources : INSEE, IGN, Cassini, 2023.", scale = NULL, horiz = FALSE,
              author = "G. Bideau", frame ="", col = NA)
  
   # Ajout d'un carton pour la région parisienne
    par(new = TRUE)
    par(fig=c(0.6, 0.9, 0.05, 0.25)) # On indique où placer le carton
    par(mar = c(0, 0, 0, 0)) # On réduit les marges au maximum
    plot(ShpDep_IdF, col = "grey", border = "white", axes = FALSE)
    
      choroLayer(spdf = ShpDep_IdF, # SpatialPolygonsDataFrame, pour l'IdF
             df = pr_carte, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "tx_evol",
             # Si on souhaite faire les groupes manuellement :
             breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 6,
             add=TRUE, legend.pos = "n", )
        # On rajoute les cercles en fonction de l'évolution en valeur absolue, pour l'IdF
  propSymbolsLayer(spdf = ShpDep_IdF,
                   df = pr_carte,
                   spdfid = "CODE_DEPT",
                   dfid = "CODE_DEPT",
                   var = "evol_abs_negatif",
                   inches = 0.2,
                   fixmax = 500,
                   # breakval = 0, # On précise une valeur tournant
                   symbols = "circle",
                   col = "blue",
                   # col2 = "red",
                   legend.pos = "n",
                   add = TRUE)
  
  # dev.off()
  par(fig=c(0, 1, 0, 1)) # On reprend l'ensemble de la place pour les figures
  par(mar = c(5.1, 4.1, 4.1, 2.1)) # Et les marges
}

4.3 Arrondissements par phase : évolution du nombre de communes [Jachère]

Travail sur les arrondissements envissagé avec Nicolas Verdier mais en attente d’un travail sur l’assignation de chaque commune Cassini à une commune récente ou à un arrondissement.

Compilation données

Compilation qui a été bricolée par copié/collé, tout est à revérifier une fois qu’on aura un champs propre

liste_arrond <- sort(unique (cassini$departement_1999)) #     Champ de la base Cassini à reprendre     

num_arrond <- 21

# Création d'un tableau pour accueillir les données de l'ensemble des départements
evol_arrond <- data.frame()

for (num_arrond in liste_arrond) {
  
cassini_reduite <- subset(cassini, departement_1999 == num_arrond)
nom_dep <- dep$LIBELLE[dep$CODE_DEPT == num_arrond]


evol_nbr_com_reduit <- data.frame() # Création d'un objet pour récupérer les résultats de la base réduite


# Boucle pour exploiter les données date par date
  for (label in labels_data_pop) {
    annee <- substr(label, start =5, stop = nchar(label)-5) # On repère le n° de l'année en segmentant le label
    sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop" | cassini_reduite[, label] == "lac." | cassini_reduite[, label] == "abs.") # On crée un sous-tableau comptant uniquement les communes dont la population nous intéresse, à l'année donnée
    # sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop") # Juste avec les populations connues
    nbr_com_reduit <- nrow(sous_tableau_reduit) # On compte le nombre de communes
    pop_annee_dep <- sum(as.numeric(sous_tableau_reduit[, paste0("pop_", annee, "_val")]), na.rm=TRUE)
    i_reduit <- c(annee, nbr_com_reduit, pop_annee_dep) # On compile les résultats totaux
    evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_reduit, stringsAsFactors = FALSE)
  }
  
  # On traite à la main les deux années 2011 et 2021
  # Pour 2011, on fait la liste des CODGEO unique de 2021 et on multiplie par leur nombre de communes fusionnantes (donne le nombre de communes en 2011) 
  # Pas très propre mais pas l'énergie de faire mieux là...
  CODGEO_2021_reduit <- as.data.frame(unique(cassini_reduite$commune_mars_2021))
  colnames(CODGEO_2021_reduit) <- "CODGEO_new"
  # On joint pour avoir le nombre de communes fusionnantes
  CODGEO_2021_reduit <- merge(df_new[c("CODGEO_new", "NbrComFus", "P09_POP")], CODGEO_2021_reduit, by = "CODGEO_new", all.y = TRUE)
  # Pour les communes non fusionnantes, on indique qu'il y en a une
  CODGEO_2021_reduit$NbrComFus[is.na(CODGEO_2021_reduit$NbrComFus)] <- 1
  
  i_2011_reduit <- c(2011, sum(CODGEO_2021_reduit$NbrComFus), sum(CODGEO_2021_reduit$P09_POP))
  evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2011_reduit)
  
  
  # Pour 2021, on liste simplement le nombre de CODGEO uniques de 2021 pour chacun des groupe
  i_2021_reduit <- c(2021, length(unique(cassini_reduite$commune_mars_2021)), NA)
  
  evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2021_reduit)
  
  colnames (evol_nbr_com_reduit) <- c("annees", "nbr_com", "population")
  
  evol_nbr_com <- evol_nbr_com_reduit
  
  # evol_nbr_com[c(1,2), 1] <- c(1795, 1800) # On modifie l'intitulé pour faciliter la représentation graphique
  # Est désormais fait plus haut
  # evol_nbr_com$annees[evol_nbr_com$annees == "an3"] <- 1795 
  # evol_nbr_com$annees[evol_nbr_com$annees == "an8"] <- 1800
  
  evol_nbr_com[,1] <- as.numeric(evol_nbr_com[,1]) # On passe en numérique pour faciliter la représentation
  evol_nbr_com[,2] <- as.numeric(evol_nbr_com[,2]) # Si on veut faire une seule colonne
  evol_nbr_com[,3] <- as.numeric(evol_nbr_com[,3]) # Si on veut faire une seule colonne
  
  
  # Calcul de l'évolution en valeur absolue du nombre de commune dans le département
  evol_nbr_com$evol <- evol_nbr_com$nbr_com - lag(evol_nbr_com$nbr_com)
  
  # Calcul du taux d'évolution
  evol_nbr_com$tx_evol <- round(100 * (evol_nbr_com$nbr_com - lag(evol_nbr_com$nbr_com)) / lag(evol_nbr_com$nbr_com), 2)
  

# On compile les résultats du département en question
arrondissement <- c(num_arrond, evol_nbr_com$nbr_com, evol_nbr_com$evol, evol_nbr_com$tx_evol)
# On ajoute ces résultats dans le tableau global
evol_arrond <- rbind (arrondissement, departement, stringsAsFactors = FALSE)



rm(label, annee, nbr_com_reduit, sous_tableau_reduit, i_reduit, i_2021_reduit, CODGEO_2021_reduit, i_2011_reduit, graphique)

}

# Création d'une colonne identifiant les deux recensements en jeu dans les évolutions
evol_nbr_com$ident_evol <- paste0("evol_", lag(evol_nbr_com$annees), "_", evol_nbr_com$annees)

# On identifie les colonnes du tableau regroupant les données de tous les départements
colnames(evol_arrond) <- c("   Code Arrondissement ??  ", evol_nbr_com$annees, evol_nbr_com$ident_evol, paste0("tx_", evol_nbr_com$ident_evol))

Cartographie

# Phases envisagées au départ par Nicolas Verdier :
# 1790-1837, 1838-1884, puis 1885-1970, puis 1970-2000, puis 2000-2023

# Phases retenues du fait des données par recensement :

evol_deps$evol_1800_1836 <- evol_deps$`1836` - evol_deps$`1800`
evol_deps$evol_1836_1886 <- evol_deps$`1886` - evol_deps$`1836`
evol_deps$evol_1886_1968 <- evol_deps$`1968` - evol_deps$`1886`
evol_deps$evol_1968_1999 <- evol_deps$`1999` - evol_deps$`1968`
evol_deps$evol_1999_2021 <- evol_deps$`2021` - evol_deps$`1999`

evol_deps$tx_evol_1800_1836 <- round(100 * (evol_deps$`1836` - evol_deps$`1800`) / evol_deps$`1800`, 2)
evol_deps$tx_evol_1836_1886 <- round(100 * (evol_deps$`1886` - evol_deps$`1836`) / evol_deps$`1836`, 2)
evol_deps$tx_evol_1886_1968 <- round(100 * (evol_deps$`1968` - evol_deps$`1886`) / evol_deps$`1886`, 2)
evol_deps$tx_evol_1968_1999 <- round(100 * (evol_deps$`1999` - evol_deps$`1968`) / evol_deps$`1968`, 2)
evol_deps$tx_evol_1999_2021 <- round(100 * (evol_deps$`2021` - evol_deps$`1999`) / evol_deps$`1999`, 2)

# colnames(evol_deps)

phases <- c("evol_1800_1836", "evol_1836_1886", "evol_1886_1968", "evol_1968_1999", "evol_1999_2021")
date_phases <- paste0(substr (phases, start = 6, stop = 9), "-", substr (phases, start = 11, stop = 14))

phase <- phases[1]

# Pour faciliter la carte
# ShpDep <- as(dep, "Spatial")
ShpDep <- as_Spatial(dep) # Pose moins de problème
ShpDep_IdF <- subset (ShpDep, ShpDep$CODE_DEPT == "75" | ShpDep$CODE_DEPT == "77" | ShpDep$CODE_DEPT == "78" | ShpDep$CODE_DEPT == "91" |
                        ShpDep$CODE_DEPT == "92" | ShpDep$CODE_DEPT == "93" | ShpDep$CODE_DEPT == "94" | ShpDep$CODE_DEPT == "95")

for (phase in phases) {
  date_phase <- paste0(substr(phase, start = 6, stop = 9), "-", substr(phase, start = 11, stop = 14))
  
  # On extrait les données à la phase voulue pour simplifier la cartographie
  pr_carte <- evol_deps[, c("Département", "CODE_DEPT", phase, paste0("tx_", phase))]
  colnames(pr_carte) <- c("Département", "CODE_DEPT", "evol_abs", "tx_evol")
  
  
  # Carte départementale présentant l'évolution du nombre de communes

    # Si on veut exporter (remettre dev.off en fin de séquence)
  # svg(paste0("figures/Evol nombre de communes par départements (", date_phases, ", taux).svg"))
  
  plot(ShpDep, col = "grey", border = "white", axes = FALSE) # Fond de carte
  # Carte choroplèthe en fonction de la superficie moyenne des communes dans le département
  
  choroLayer(spdf = ShpDep, # SpatialPolygonsDataFrame
             df = pr_carte, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "tx_evol",
             # Si on souhaite faire les groupes manuellement :
             breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 6,
             add=TRUE,
             legend.pos = "topleft", 
             legend.title.txt = "Taux d'évolution du\nnombre de communes\nsur la période")
  
    layoutLayer(title = paste0("Évolution du nombre de communes par départements (", date_phase, ")"), coltitle = "black",
              sources = "Sources : INSEE, IGN, Cassini.", scale = NULL,
              author = "G. Bideau", frame ="", col = NA)
  
    # Ajout d'un carton pour la région parisienne
    # Page claire pour aider sur la représentation graphique : https://sites.google.com/site/rgraphiques/realiser-des-graphiques-avec-le-logiciel-r/g%C3%A9rer-les-graphiques-combinaisons-forme-et-sauvegarde/combinaisons-graphiques
    par(new = TRUE)
    par(fig=c(0.7, 1, 0, 0.2)) # On indique où placer le carton
    par(mar = c(0, 0, 0, 0)) # On réduit les marges au maximum
    plot(ShpDep_IdF, col = "grey", border = "white", axes = FALSE)
    
      choroLayer(spdf = ShpDep_IdF, # SpatialPolygonsDataFrame
             df = pr_carte, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "tx_evol",
             # Si on souhaite faire les groupes manuellement :
             breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 6,
             add=TRUE,
             legend.pos = "n", 
             legend.title.txt = "Taux d'évolution du\nnombre de communes\nsur la période")
      
      # dev.off()
    par(fig=c(0, 1, 0, 1)) # On indique où placer le carton


  # Carte départementale présentant l'évolution du nombre de communes en valeur absolue
  
  # Création d'un champs adapté pour la cartographie
    pr_carte$evol_abs_negatif <- 0 -pr_carte$evol_abs
    pr_carte$evol_abs_negatif[pr_carte$evol_abs_negatif < 0] <- NA
      
  # Si on veut exporter (remettre dev.off en fin de séquence)
  # svg(paste0("figures/Evol nombre de communes par départements (", date_phases, ", valeurs absolues).svg"))
  
  plot(ShpDep, col = "grey", border = "white", axes = FALSE) # Fond de carte
  # Carte choroplèthe en fonction de la superficie moyenne des communes dans le département
  
  choroLayer(spdf = ShpDep, # SpatialPolygonsDataFrame
             df = pr_carte, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "tx_evol",
             # Si on souhaite faire les groupes manuellement :
             breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 6,
             add=TRUE,
             legend.pos = "topleft", 
             legend.title.txt = "Taux d'évolution")
  
  # On rajoute les cercles en fonction de l'évolution en valeur absolue
  propSymbolsLayer(spdf = ShpDep,
                   df = pr_carte,
                   spdfid = "CODE_DEPT",
                   dfid = "CODE_DEPT",
                   var = "evol_abs_negatif",
                   inches = 0.2,
                   fixmax = 500,
                   # breakval = 0, # On précise une valeur tournant
                   symbols = "circle",
                   col = "blue",
                   # col2 = "red",
                   legend.pos = "left",
                   legend.title.txt = "\n\n\n\n\n\nNombre de communes\nsupprimées",
                   legend.style = "c",
                   legend.frame = FALSE,
                   add = TRUE)
  layoutLayer(title = paste0("Évolution du nombre de communes par départements (", date_phase, ")"), coltitle = "black",
              sources = "Sources : INSEE, IGN, Cassini, 2023.", scale = NULL, horiz = FALSE,
              author = "G. Bideau", frame ="", col = NA)
  
   # Ajout d'un carton pour la région parisienne
    par(new = TRUE)
    par(fig=c(0.7, 1, 0, 0.2)) # On indique où placer le carton
    par(mar = c(0, 0, 0, 0)) # On réduit les marges au maximum
    plot(ShpDep_IdF, col = "grey", border = "white", axes = FALSE)
    
      choroLayer(spdf = ShpDep_IdF, # SpatialPolygonsDataFrame, pour l'IdF
             df = pr_carte, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "tx_evol",
             # Si on souhaite faire les groupes manuellement :
             breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 6,
             add=TRUE, legend.pos = "n", )
        # On rajoute les cercles en fonction de l'évolution en valeur absolue, pour l'IdF
  propSymbolsLayer(spdf = ShpDep_IdF,
                   df = pr_carte,
                   spdfid = "CODE_DEPT",
                   dfid = "CODE_DEPT",
                   var = "evol_abs_negatif",
                   inches = 0.2,
                   fixmax = 500,
                   # breakval = 0, # On précise une valeur tournant
                   symbols = "circle",
                   col = "blue",
                   # col2 = "red",
                   legend.pos = "n",
                   add = TRUE)
  
  # dev.off()
  
  
}

4.4 Départements par phase et par taille des communes

4.4.1 Création des données

On observe ici, département par département, le nombre de communes en fonction de certains seuils démographiques

labels_data_pop <- colnames(cassini[grep(pattern = "_info", colnames(cassini), ignore.case = FALSE)])
annees_recensement <-   substr(labels_data_pop, start =5, stop = nchar(labels_data_pop)-5) # On repère le n° de l'année en segmentant le label
# On rajoute 2011 et 2021 (ce n'est pas prêt, les données n'ont pas été rajoutées dans la base Cassini)
# annees_recensement <- c(annees_recensement, 2011, 2021)

listeSeuils <- c(50, 100, 200, 500, 1000, 2000)

annee <- annees_recensement[1]
seuil <- listeSeuils[1]

for (annee in annees_recensement) {
  
  results <- evol_deps[, c("CODE_DEPT", "Département", annee)]
  
  temp <- cassini[, c("nom_cassini", paste0("pop_", annee, "_val"), paste0("pop_", annee, "_info"), "departement_1999")]
  colnames(temp) <- c("nom_cassini", "pop", "info", "CODE_DEPT")
  temp$pop <- as.numeric (temp$pop)
  
  # Tableau présentant, par département, la qualité des données sur l'année étudiée, s'y reporter pour valider les données
  table(temp$info, temp$CODE_DEPT)
  

  for (seuil in listeSeuils) {
    
    temp_sub <- subset(temp, temp$pop < seuil)
    # On compte le nombre de communes par départements étant en-dessous du seuil fixé
    temp2 <- data.frame(table(temp_sub$CODE_DEPT))
    temp2$Var1 <- as.character(temp2$Var1)
    temp2[nrow(temp2)+1,] <- c("", sum(as.numeric(temp2$Freq)))
    colnames(temp2)<-c("CODE_DEPT", paste0("ComMoins", seuil, "hab_", annee))
    temp2[,2] <- as.numeric (temp2[,2])
    results <- merge(results, temp2, by = "CODE_DEPT", all.x = TRUE)
    
    results[, paste0("PartComMoins", seuil, "hab_", annee)] = round((results[, paste0("ComMoins", seuil, "hab_", annee)] /
                                                        results[, annee] *100), 1)

# Calculs qui pourraient avoir de l'intérêt mais risquent d'alourdir le tableau donc laissés de côté.
# Si volonté de les intégrer, revoir la rédaction (adaptations nécessaires, par exemple i = seuil)
# results[, paste0("EvolNbrComMoins", i, "hab")] = results[, paste0("ComMoins", i, "habAp")] -
#   results[, paste0("ComMoins", i, "habAv")] # Calcul de l'évolution en valeur absolue
# results[, paste0("EvolComMoins", i, "hab")] =
#   round((
#   (results[, paste0("ComMoins", i, "habAp")] - results[, paste0("ComMoins", i, "habAv")]) /
#     results[, paste0("ComMoins", i, "habAv")] *100), 1) # Calcul du pourcentage d'évolutions du nombre de communes sous le seuil i
# results[, paste0("EvolPartComMoins", i, "hab")] =
#   round((
#   (results[, paste0("PartComMoins", i, "habAp")] - results[, paste0("PartComMoins", i, "habAv")]) / results[, paste0("PartComMoins", i, "habAv")]*100), 1) # calcul de l'évolution de la part des communes sous le seuil i
# Suite laissée de côté car pas adapté aux données Cassini (vient du fichier d'analyse des communes nouvelles)
# Pour calculer le nombre de communes sous le seuil i ayant fusionné
# temp3 <- subset(df2011, df2011$P09_POP < i & FUSION == "OUI")
# temp3 <- data.frame(table(temp3$CODE_DEPT))
# colnames(temp3)<-c("CODE_DEPT", paste0("ComFusMoins", i, "hab"))
# results <- merge(results, temp3, by = "CODE_DEPT", all.x = TRUE)

}


evol_deps <- merge(evol_deps, results[, c(1, 4:length(results))], by = "CODE_DEPT")
# evol_deps[is.na(evol_deps)] <- "0/NA" # Si on veut signaler les départements pour lesquels aucunes communes sous les seuils n'ont été repérées (car risque qu'il s'agisse d'une absence de données)

}

rm(temp, temp_sub, temp2, results)

4.4.2 Export données pour Shiny (ou autre)

# Export données
try(save(cassini, evol_deps, listeSeuils, annees_recensement, evol_deps_100, file = "nbr_communes_Fr_shiny/data/dataCassini.Rdata"))
st_write(obj = dep, dsn = "nbr_communes_Fr_shiny/data/geom.gpkg", layer = "dep", delete_layer = TRUE, quiet = TRUE)

# Test import données
dep <- st_read("nbr_communes_Fr_shiny/data/geom.gpkg", layer = "dep", quiet = TRUE)
load ("nbr_communes_Fr_shiny/data/dataCassini.Rdata")

4.4.3 Visualisation des données (test Shiny)

4.4.4 Visualisation des données classiques

departement <- evol_deps$Département[2]

liste_dep <- evol_deps$Département
# liste_dep <- liste_dep[1] # Pour n'afficher que les graphiques sur la France entière

# for (seuil in listeSeuils [c(1, 2, 4, 6)]) { Si on veut alléger les sorties
for (seuil in listeSeuils) {
  for (departement in liste_dep) {

    num_dep <- evol_deps$CODE_DEPT[evol_deps$Département == departement]    
  evol_dep <- subset(evol_deps, evol_deps$Département == departement)
   # Graphique, pour chaque département, de l'évolution du nombre de communes sous certain seuil
  
  colonnes_select <- colnames(evol_deps[grep(pattern = paste0("^ComMoins", seuil, "hab"), colnames(evol_deps), ignore.case = FALSE)])

  pr_graph <- evol_dep[, colonnes_select]
  
  colnames(pr_graph) <- substr (colnames(pr_graph), start = nchar(colnames(pr_graph))-3, stop = nchar(colnames(pr_graph)))
  pr_graph <- melt(pr_graph)
  pr_graph[,1] <- as.numeric(as.character(pr_graph[,1]))
  colnames(pr_graph) <- c("annees", "nbr_com")
  graphique <- ggplot(data=pr_graph, aes(x=annees, y=nbr_com)) +
  geom_line() +
  ylim(0, max(pr_graph$nbr_com)+50) +
  scale_x_continuous (breaks = seq(1780, 2030, 20)) +
  labs(title= paste0("Nombre de communes de moins de ", seuil, " hab. en ", departement, " (", num_dep, ")"), subtitle="1795-2021", x="", y = paste0("Nombre de communes de moins de ", seuil," habitants"), caption="Sources : cassini.ehess.fr, INSEE")

print(graphique)

 colonnes_select <- colnames(evol_deps[grep(pattern = paste0("PartComMoins", seuil, "hab"), colnames(evol_deps), ignore.case = FALSE)])

  pr_graph <- evol_dep[, colonnes_select]
  
  colnames(pr_graph) <- substr (colnames(pr_graph), start = nchar(colnames(pr_graph))-3, stop = nchar(colnames(pr_graph)))
  pr_graph <- melt(pr_graph)
  pr_graph[,1] <- as.numeric(as.character(pr_graph[,1]))
  colnames(pr_graph) <- c("annees", "prop_com")

    graphique <- ggplot(data=pr_graph, aes(x=annees, y=prop_com)) +
  geom_line() +
  ylim(0, max(pr_graph$prop_com)+10) +
  scale_x_continuous (breaks = seq(1780, 2030, 20)) +
  labs(title= paste0("Proportion de communes de moins de ", seuil, " hab. en ", departement, " (", num_dep, ")"), subtitle="1795-2021", x="", y = paste0("Pourcentage de communes de moins de ", seuil," habitants"), caption="Sources : cassini.ehess.fr, INSEE")

print(graphique)

  }
  
  for (annee in annees_recensement) {
    
colonne_select <- colnames(evol_deps[grep(pattern = paste0("^ComMoins", seuil, "hab_", annee), colnames(evol_deps), ignore.case = FALSE)])
# NB : Ajouter "^" pour signifier un début de ligne, pour différencier PartComMoins et ^ComMoins
pr_repr <- evol_deps[, c("Département", "CODE_DEPT", colonne_select)]
colnames(pr_repr) <- c("Département", "CODE_DEPT", "Données")

plot(ShpDep, col = "grey", border = "white", axes = FALSE) # Fond de carte
  # Carte choroplèthe en fonction de la superficie moyenne des communes dans le département
    # On rajoute les cercles en fonction de l'évolution en valeur absolue
  propSymbolsLayer(spdf = ShpDep,
                   df = pr_repr,
                   spdfid = "CODE_DEPT",
                   dfid = "CODE_DEPT",
                   var = "Données",
                   inches = 0.2,
                   # breakval = 0, # On précise une valeur tournant
                   symbols = "circle",
                   col = "blue",
                   # col2 = "red",
                   legend.pos = "left",
                   # legend.title.txt = "Nombre de communes sous le seuil",
                   legend.style = "c",
                   legend.frame = FALSE,
                   add = TRUE)
  layoutLayer(title = paste0("Nombre de communes de moins de ", seuil, " habitants (", annee, ")"), coltitle = "black",
              sources = "Sources : INSEE, IGN, Cassini, 2023.", scale = NULL, horiz = FALSE,
              author = "G. Bideau", frame ="", col = NA)

  # En regardant la part de communes
colonne_select <- colnames(evol_deps[grep(pattern = paste0("PartComMoins", seuil, "hab_", annee), colnames(evol_deps), ignore.case = FALSE)])
# NB : Ajouter "^" pour signifier un début de ligne, pour différencier PartComMoins et ^ComMoins
pr_repr <- evol_deps[, c("Département", "CODE_DEPT", colonne_select)]
colnames(pr_repr) <- c("Département", "CODE_DEPT", "Données")

plot(ShpDep, col = "grey", border = "white", axes = FALSE) # Fond de carte
  # Carte choroplèthe en fonction de la superficie moyenne des communes dans le département
  choroLayer(spdf = ShpDep, # SpatialPolygonsDataFrame
             df = pr_repr, # data frame
             spdfid = "CODE_DEPT",
             dfid = "CODE_DEPT",
             var = "Données",
             # Si on souhaite faire les groupes manuellement :
             # breaks = c(-60, -10, -5, 0, 5, 10, 30), # liste des seuils (hypothèses)
             # col = carto.pal(pal1 = "blue.pal", n1 = 3, pal2 = "red.pal", n2 = 3),
             # Si on souhaite avoir des groupes par quantiles :
             # col = carto.pal(pal1 = "sand.pal", n1 = 4), method = "quantile",
             nclass = 5,
             col = carto.pal(pal1 = "blue.pal", n1 = 0, pal2 = "red.pal", n2 = 5),
             add=TRUE,
             legend.pos = "topleft", 
             legend.title.txt = "")
  layoutLayer(title = paste0("Pourcentage de communes de moins de ", seuil, " habitants (", annee, ")"), coltitle = "black",
              sources = "Sources : INSEE, IGN, Cassini, 2023.", scale = NULL, horiz = FALSE,
              author = "G. Bideau", frame ="", col = NA)
 
  
  
   
  }
}

4.5 CAH par départements

4.5.1 Import données si nécessaire

Création section pour le moment où on a besoin de relancer juste cette partie du code.

# dep <- st_read("data/geom.gpkg", layer = "dep", quiet = TRUE)

# Pour faciliter la cortographie
# ShpDep <- as_Spatial(dep) 

dep <- st_read("nbr_communes_Fr_shiny/data/geom.gpkg", layer = "dep", quiet = TRUE)
load ("nbr_communes_Fr_shiny/data/dataCassini.Rdata")

4.5.2 Réalisation CAH

# Calcul de quelques variables
dep <- merge (dep, evol_deps, by = "CODE_DEPT")


# Création d'une variable de surface
dep$surface <- st_area(dep) # Attention, unités : m²
dep$surface <- units::set_units(dep$surface, km^2) # On passe en km²

# Densité de communes en 1800 et en 2021
dep$dens_comm_1800 <- as.numeric(dep$`1800`/dep$surface)
dep$dens_comm_2021 <- as.numeric(dep$`2021`/dep$surface)

# Nombre d'habitants par km²
dep$dens_1800 <- as.numeric(dep$pop_1800)/dep$surface
dep$dens_2011 <- as.numeric(dep$pop_2011)/dep$surface

# Nombre de communes par habitants
# dep$dens_1800 <- dep$`1800`/as.numeric(dep$pop_1800)
# dep$dens_2011 <- dep$`2011`/as.numeric(dep$pop_2011)

# PourCAH <- merge (evol_deps_100, dep[, c("CODE_DEPT")])
# nom_test_CAH <- "ts_recensements_1800-2011"
# Remarques : Cartographie assez confuse, avec un groupe 2 très important et regroupant des départements qu'a priori on aurait dissociés.

# PourCAH <- merge (evol_deps_100, dep[, c("CODE_DEPT", "dens_comm_1800", "dens_comm_2021", "dens_1800", "dens_2011")])
# nom_test_CAH <- "ts_recensements_1800-2011_denscomm_denspop"

# Si on veut utiliser les données des évolutions par phases plutôt que les données pour chaque recensement
# PourCAH <- dep[, c("Département", "CODE_DEPT", "dens_comm_1800", "dens_comm_2021", "dens_1800", "dens_2011", "tx_evol_1800_1836", "tx_evol_1836_1886", "tx_evol_1886_1968", "tx_evol_1968_1999", "tx_evol_1999_2021")]
# nom_test_CAH <- "evol_phases_1800-2011_denscomm_denspop"

# Évolutions par phases mais sans la densité
PourCAH <- dep[, c("Département", "CODE_DEPT", "tx_evol_1800_1836", "tx_evol_1836_1886", "tx_evol_1886_1968", "tx_evol_1968_1999", "tx_evol_1999_2021")]
nom_test_CAH <- "evol_phases_1800-2011"


# On retire Aveyron et Paris
PourCAH <- subset(PourCAH, PourCAH$Département != "Aveyron")
# nom_test_CAH <- paste0(nom_test_CAH, "_sfAveyron")
PourCAH <- subset(PourCAH, PourCAH$Département != "Paris")
# nom_test_CAH <- paste0(nom_test_CAH, "_sf_Paris")
nom_test_CAH <- paste0(nom_test_CAH, "_sf_ParisAveyron")


# Préparation des données
PourCAH <- na.omit(PourCAH)
row.names(PourCAH) <- PourCAH$Département
PourCAH$Département <- NULL
PourCAH$CODE_DEPT <- NULL
PourCAH$`1800` <- NULL # Inutile car sert de base 100
PourCAH$geometry <- NULL
# PourCAH <- scale(PourCAH) # Standardisation
NbrVariables <- ncol(PourCAH)

selecVarCAH <- colnames(PourCAH)


# Réalisation de la typologie
res.pca <- PCA(PourCAH, graph = FALSE)
#res.pca <- PCA(PourCAH, ncp = 5, graph = FALSE) # 50 % of cumulative variance

# res.hcpc <- HCPC(res.pca, graph = TRUE, method = "ward", metric = "euclidian") #Ici coupure à 8 classes pas trop mal
# res.hcpc <- HCPC(res.pca, graph = FALSE, nb.clust = 7, method = "ward", metric = "euclidian") #Pour faire la coupure de manière déterministe

res.hcpc <- agnes(res.pca$ind$coord, metric = "euclidiean", method = "ward")

dev.off()

## null device 
##           1

# Réalisation du dendrogramme en passant par plot
dendro.hcpc <- as.dendrogram(res.hcpc)
plot(dendro.hcpc, leaflab = "none", ylab = "Dissimilarité")
inertie <- sort(res.hcpc$height, decreasing = TRUE)
plot(inertie[1:20], type = "s", xlab = "Nombre de classes", ylab = "Inertie")

# Affichage de différents graphiques pour aider au découpage
sortedHeight <- sort(res.hcpc$height^2, decreasing = TRUE)
plot(sortedHeight,
     type = "h",
     xlab = "Noeuds",
     ylab = "Niveau d'agrégation")
relHeight <- sortedHeight / sum(sortedHeight) * 100
cumHeight <- cumsum(relHeight)
barplot(relHeight[1:30], names.arg = seq(1, 30, 1),
        col = "black", border = "white", xlab = "Noeuds",
        ylab = "Part de l'inertie totale (%)",
        main = "Diagramme de niveaux")

4.5.3 Choix nombre de classes

# Coupure de l'arbre (k = nombre de classes)
nclass <- 5
cluspop <- cutree(res.hcpc, k = nclass)

# couleurs <- c("#e41a1c","#377eb8","#4daf4a","#984ea3") # Pour 4
# couleurs <- c("#e41a1c","#377eb8","#4daf4a","#984ea3","#ff7f00") # Pour 5
couleurs <- c("#e41a1c","#377eb8","#4daf4a","#984ea3","#ff7f00","#ffff33","#a65628","#f781bf") # Pour 8

4.5.4 Représentation valeurs absolues

# Valeurs absolues

NomsGroupesCAH <- paste ("Groupe",1 :nclass)

# On intègre ces données dans le tableau de départ
PourCAH <- as.data.frame(PourCAH, stringsAsFactors = FALSE)
PourCAH$Groupes <- factor(cluspop,
                          levels = 1:nclass,
                          labels = paste(NomsGroupesCAH))

PourCAH$Département <- row.names(PourCAH)
# On rajoute le numéro de département
PourCAH <- merge (PourCAH, evol_deps_100 [, c("Département", "CODE_DEPT")], by = "Département")
# Calcul de la moyenne des variables

clusProfile <- aggregate(PourCAH [, 2:(NbrVariables+1)],
                         by = list(PourCAH$Groupes),
                         mean)
colnames(clusProfile)[1] <- "Groupes"

clusLong <- melt(clusProfile, id.vars = "Groupes")

ggplot(clusLong) +
  geom_bar(aes(x = variable, y = value, fill = Groupes),
           stat = "identity") +
  # scale_fill_brewer() +
  scale_fill_manual(values=couleurs) + 
  facet_wrap(~ Groupes) +
  theme_bw()

ggplot(clusLong) +
  geom_bar(aes(x = variable, y = value, fill = Groupes),
           stat = "identity") +
  scale_fill_manual(values=couleurs) +
  facet_wrap(~ Groupes) +
  coord_flip() +
  theme_bw()

dev.print(device = svg, file = paste0("sorties/CAH_tps_long/", nom_test_CAH, "val_abs.svg"))

## png 
##   2

ggplot(clusLong) +
  geom_line(aes(x = variable, y = value, group = 1)) +
  scale_fill_brewer() +
  theme(axis.text.x = element_text(angle = 56, hjust = 1)) + # Ne marche pas ?
  theme(strip.text.x = element_text(angle = 45, hjust = 1)) + # Ne marche pas ?
  facet_wrap(~ Groupes) +
  theme_bw()

4.5.5 Représentation valeurs standardisées

# On intègre ces données dans le tableau de départ

PourCAHz <- scale(PourCAH[,c(2:(NbrVariables+1))])
PourCAHz <- as.data.frame(PourCAHz, stringsAsFactors = FALSE)

PourCAHz$Groupes <- PourCAH$Groupes


PourCAHz$CODGEO <- row.names(PourCAHz)
# Calcul de la moyenne des variables
clusProfileStd <- aggregate(PourCAHz [, 1:NbrVariables],
                         by = list(PourCAH$Groupes),
                         mean)
colnames(clusProfileStd)[1] <- "Groupes"
clusLongStd <- melt(clusProfileStd, id.vars = "Groupes")
# clusLongStd <- merge(clusLongStd, ratio[, 1:2], by.x = "variable", by.y = "CODE") # Pour lisibilité du graphique
# colnames(clusLongStd)[4] <- "Variable"

ggplot(clusLongStd) +
  geom_bar(aes(x = variable, y = value, fill = Groupes),
           stat = "identity") +
  #  scale_fill_grey() +
  scale_fill_manual(values=couleurs) + 
  facet_wrap(~ Groupes) +
  coord_flip() + theme_bw()

dev.print(device = svg, file = paste0("sorties/CAH_tps_long/", nom_test_CAH, "val_stdrd.svg"))

## png 
##   2

4.5.6 Cartographie CAH

# Cartographie

# Remettre groupes dans carto
typo <- merge(dep,PourCAH[ , c("CODE_DEPT","Groupes")], by.x = "CODE_DEPT", by.y = "CODE_DEPT")

# mf_export(x = typo, export = "svg", filename = "figures/TypoEspaceGeo.svg", 
#           width = 5, theme = "nevermind") # Si souhait d'export

par(mfrow = c(1, 1))
par(mar=c(0,0,1.2,0))
plot(st_geometry(dep), border = "#1A1A19",lwd = 1)

typoLayer(x = typo, var = "Groupes",  
          col = couleurs,
          border = NA, 
          #legend.title = "Typologie des communes fusionnantes/nà partir de critères socio-économiques",
          legend.title.cex = 0.7,
          legend.values.cex = 0.6,
          legend.pos = "left", add = T)

layoutLayer(title = "Typologie exploratoire des départements en fonction de l'évolution de leur nombre de communes",
            author = "G. Bideau, 2023.",
            tabtitle = TRUE, frame = FALSE, col = "white", coltitle = "black",
            sources = "Sources : base Cassini, INSEE, IGN, 2023.")

   # Ajout d'un carton pour la région parisienne #     NE MARCHE PAS CAR PROBLÈME DE LA GESTION DES COULEURS
  #   par(new = TRUE)
  #   par(fig=c(0.5, 1, 0, 0.5)) # On indique où placer le carton
  #   par(mar = c(0, 0, 0, 0)) # On réduit les marges au maximum
  #   typo_IdF <- subset ( typo,  typo$CODE_DEPT == "75" |  typo$CODE_DEPT == "77" |  typo$CODE_DEPT == "78" |  typo$CODE_DEPT == "91" |
  #                        typo$CODE_DEPT == "92" |  typo$CODE_DEPT == "93" |  typo$CODE_DEPT == "94" |  typo$CODE_DEPT == "95")
  #   typoLayer(x = typo_IdF, var = "Groupes",
  #         col = c(couleurs),
  #         border = NA,legend.pos = "na", add = T)
  # par(fig=c(0, 1, 0, 1)) # On reprend l'ensemble de la place pour les figures

  # dev.print(device = svg, file = paste0("sorties/CAH_tps_long/", nom_test_CAH, "_carte.svg"))

4.5.7 Croisement avec d’autres variables

# Création d'une variable surface
# Si on part de rien, jouer les deux lignes ci-dessous
# typo <- st_read("sorties/typo.gpkg", quiet = TRUE)
comparaisons <- data.frame( table (typo$Groupes))


comparaisons$surface_moy <- round(tapply (typo$surface, typo$Groupes, mean), 2) # On fait la moyenne de la surface
comparaisons$surface_med <- round(tapply (typo$surface, typo$Groupes, median), 2) # On fait la médiane de la surface

comparaisons$dens_comm_1800_moy <- round(tapply (typo$dens_comm_1800, typo$Groupes, mean), 2) # On fait la moyenne de la densité communale en 1800
comparaisons$dens_comm_1800_med <- round(tapply (typo$dens_comm_1800, typo$Groupes, median), 2) # On fait la médiane de la densité communale en 1800

comparaisons$dens_comm_2021_moy <- round(tapply (typo$dens_comm_2021, typo$Groupes, mean), 2) # On fait la moyenne de la densité communale en 2021
comparaisons$dens_comm_2021_med <- round(tapply (typo$dens_comm_2021, typo$Groupes, median), 2) # On fait la médiane de la densité communale en 2021

comparaisons$dens_1800_moy <- round(tapply (typo$dens_1800, typo$Groupes, mean), 2) # On fait la moyenne de la densité en 1800
comparaisons$dens_1800_med <- round(tapply (typo$dens_1800, typo$Groupes, median), 2) # On fait la médiane de la densité en 1800

comparaisons$dens_2011_moy <- round(tapply (typo$dens_2011, typo$Groupes, mean), 2) # On fait la moyenne de la densité en 2021
comparaisons$dens_2011_med <- round(tapply (typo$dens_2011, typo$Groupes, median), 2) # On fait la médiane de la densité en 2021

comparaisons$pop_1836_moy <- round(tapply (as.numeric(typo$pop_1836), typo$Groupes, mean), 2) # On fait la moyenne de la population en 1836
comparaisons$pop_1836_med <- round(tapply (as.numeric(typo$pop_1836), typo$Groupes, median), 2) # On fait la médiane de la population en 1836

comparaisons$pop_2011_moy <- round(tapply (as.numeric(typo$pop_2011), typo$Groupes, mean), 2) # On fait la moyenne de la population en 1836
comparaisons$pop_2011_med <- round(tapply (as.numeric(typo$pop_2011), typo$Groupes, median), 2) # On fait la médiane de la population en 1836

comparaisons$nbr_com_1800_moy <- round(tapply (typo$"1800", typo$Groupes, mean), 2) # Moyenne du nombre de communes en 1800
comparaisons$nbr_com_2021_moy <- round(tapply (typo$"2021", typo$Groupes, mean), 2) # Moyenne du nombre de communes en 2011


tmp <- comparaisons[, c("Var1", "Freq", "surface_moy", "surface_med", "nbr_com_1800_moy", "nbr_com_2021_moy", "dens_comm_1800_moy", "dens_comm_1800_med", "dens_comm_2021_moy", "dens_comm_2021_med", "dens_1800_moy", "dens_1800_med", "dens_2011_moy", "dens_2011_med", "pop_1836_moy", "pop_1836_med", "pop_2011_moy", "pop_2011_med")]

colnames(tmp) <- c("Groupe", "Fréquence", "Surface moyenne (km²)", "Surface médiane (km²)", "Nombre de communes moyen en 1800", "Nombre de communes moyen en 2021", "Densité communale en 1800 (moyenne)", "Densité communale en 1800 (médiane)", "Densité communale en 2011 (moyenne)", "Densité communale en 2011 (médiane)", "Densité en 1836 (moyenne)", "Densité en 1836 (médiane)", "Densité en 2011 (moyenne)", "Densité en 2011 (médiane)", "Population en 1836 (moyenne)", "Population en 1836 (médiane)", "Population en 2011 (moyenne)", "Population en 2011 (médiane)")

table <- condformat(tmp)%>%
  theme_caption(caption = "Groupes de la typologie vis-à-vis de différentes caractéristiques des départements") %>%
  theme_htmlWidget(number_of_entries = nrow(tmp))
print(table)

table <- condformat(tmp)%>%
          rule_fill_gradient2("Surface moyenne (km²)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Surface médiane (km²)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Nombre de communes moyen en 1800", low = "blue", high = "red") %>%
          rule_fill_gradient2("Nombre de communes moyen en 2021", low = "blue", high = "red") %>%
          rule_fill_gradient2("Densité communale en 1800 (moyenne)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Densité communale en 1800 (médiane)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Densité communale en 2011 (moyenne)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Densité communale en 2011 (médiane)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Densité en 1836 (moyenne)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Densité en 1836 (médiane)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Densité en 2011 (moyenne)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Densité en 2011 (médiane)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Population en 1836 (moyenne)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Population en 1836 (médiane)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Population en 2011 (moyenne)", low = "blue", high = "red") %>%
          rule_fill_gradient2("Population en 2011 (médiane)", low = "blue", high = "red") %>%
  theme_caption(caption = "Groupes de la typologie vis-à-vis de différentes caractéristiques des départements") %>%
  theme_htmlWidget(number_of_entries = nrow(tmp))
print(table)

4.6 Le cas de l’Aveyron

Étude exploratoire menée mi-juillet 2023. Laissée de côté à partir du moment ou boucle faite pour tous les départements.

# On sélectionne uniquement l'Aveyron
cassini_reduite <- subset(cassini, departement_1999 == "12")

evol_nbr_com_reduit <- data.frame() # Création d'un objet pour récupérer les résultats de la base réduite


# Boucle pour exploiter les données date par date
for (label in labels_data_pop) {
  annee <- substr(label, start =5, stop = nchar(label)-5) # On repère le n° de l'année en segmentant le label
  sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop" | cassini_reduite[, label] == "lac.") # On crée un sous-tableau comptant uniquement les communes dont la population nous intéresse, à l'année donnée
  # sous_tableau_reduit <- subset(cassini_reduite, cassini_reduite[, label] == "pop") # Juste avec les populations connues
  nbr_com_reduit <- nrow(sous_tableau_reduit) # On compte le nombre de communes
  
  i_reduit <- c(annee, nbr_com_reduit) # On compile les résultats totaux
  evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_reduit, stringsAsFactors = FALSE)
}

# On traite à la main les deux années 2011 et 2021
# Pour 2011, on fait la liste des CODGEO unique de 2021 et on multiplie par leur nombre de communes fusionnantes (donne le nombre de communes en 2011) 
# Pas très propre mais pas l'énergie de faire mieux là...
CODGEO_2021_reduit <- as.data.frame(unique(cassini_reduite$commune_mars_2021))
colnames(CODGEO_2021_reduit) <- "CODGEO_new"
# On joint pour avoir le nombre de communes fusionnantes
CODGEO_2021_reduit <- merge(df_new[c("CODGEO_new", "NbrComFus")], CODGEO_2021_reduit, by = "CODGEO_new", all.y = TRUE)
# Pour les communes non fusionnantes, on indique qu'il y en a une
CODGEO_2021_reduit$NbrComFus[is.na(CODGEO_2021_reduit$NbrComFus)] <- 1

i_2011_reduit <- c(2011, sum(CODGEO_2021_reduit$NbrComFus))
evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2011_reduit)


# Pour 2021, on liste simplement le nombre de CODGEO uniques de 2021 pour chacun des groupe
i_2021_reduit <- c(2021, length(unique(cassini_reduite$commune_mars_2021)))

evol_nbr_com_reduit <- rbind(evol_nbr_com_reduit, i_2021_reduit)

colnames (evol_nbr_com_reduit) <- c("annees", "nbr_com")

evol_nbr_com <- evol_nbr_com_reduit

# evol_nbr_com[c(1,2), 1] <- c(1795, 1800) # On modifie l'intitulé pour faciliter la représentation graphique
evol_nbr_com$annees[evol_nbr_com$annees == "an3"] <- 1795
evol_nbr_com$annees[evol_nbr_com$annees == "an8"] <- 1800

evol_nbr_com[,1] <- as.numeric(evol_nbr_com[,1]) # On passe en numérique pour faciliter la représentation
evol_nbr_com[,2] <- as.numeric(evol_nbr_com[,2]) # Si on veut faire une seule colonne



ggplot(data=evol_nbr_com, aes(x=annees, y=nbr_com)) +
  geom_line() +
  scale_x_continuous (breaks = seq(1780, 2030, 20)) +
  labs(title="Évolution du nombre de communes en Aveyron", subtitle="1795-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")

ggplot(data=evol_nbr_com, aes(x=annees, y=nbr_com)) +
  geom_line() +
  ylim(0, 600) +
  scale_x_continuous (breaks = seq(1780, 2030, 20)) +
  labs(title="Évolution du nombre de communes en Aveyron", subtitle="1795-2021", x="", y = "", caption="Sources : cassini.ehess.fr, INSEE")




rm(label, annee, nbr_com_reduit, sous_tableau_reduit, i_reduit, i_2021_reduit, CODGEO_2021_reduit, i_2011_reduit)

4.7 Cartes concernant la superficie des communes

Affichage ici de cartes réalisées dans le cadre des communes nouvelles.

Carte superficie moyenne des communes

Carte communes nouvelles et superficie moyenne des communes

5 BIBLIOGRAPHIE

Bideau, Gabriel. 2017. “Les Communes Nouvelles (2010-2017) : Quelle Révolution Du Territoire ?” M\'emoire de {{Master}} 2, Sous La Direction de {{Renaud Le Goix}}, Université Paris 7 Diderot. https://nakala.fr/10.34847/nkl.2f7bbnn2.

———. 2019. “Les communes nouvelles françaises (2010-2019) : Une réforme territoriale silencieuse.” Annales de Géographie 728 (4/2019): 57–85. https://www.cairn.info/revue-annales-de-geographie-2019-4-page-57.htm.